A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
GraphBNC : Machine Learning‐Aided Prediction of Interactions Between Metal Nanoclusters and Blood Proteins (2024)


Pihlajamäki, A., Matus, M. F., Malola, S., & Häkkinen, H. (2024). GraphBNC : Machine Learning‐Aided Prediction of Interactions Between Metal Nanoclusters and Blood Proteins. Advanced Materials, Early View. https://doi.org/10.1002/adma.202407046


JYU-tekijät tai -toimittajat


Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajatPihlajamäki, Antti; Matus, María Francisca; Malola, Sami; Häkkinen, Hannu

Lehti tai sarjaAdvanced Materials

ISSN0935-9648

eISSN1521-4095

Julkaisuvuosi2024

Ilmestymispäivä24.09.2024

VolyymiEarly View

KustantajaWiley-VCH Verlag

JulkaisumaaSaksa

Julkaisun kielienglanti

DOIhttps://doi.org/10.1002/adma.202407046

Julkaisun avoin saatavuusAvoimesti saatavilla

Julkaisukanavan avoin saatavuusOsittain avoin julkaisukanava

Julkaisu on rinnakkaistallennettu (JYX)https://jyx.jyu.fi/handle/123456789/97600


Tiivistelmä

Hybrid nanostructures between biomolecules and inorganic nanomaterials constitute a largely unexplored field of research, with the potential for novel applications in bioimaging, biosensing, and nanomedicine. Developing such applications relies critically on understanding the dynamical properties of the nano–bio interface. This work introduces and validates a strategy to predict atom-scale interactions between water-soluble gold nanoclusters (AuNCs) and a set of blood proteins (albumin, apolipoprotein, immunoglobulin, and fibrinogen). Graph theory and neural networks are utilized to predict the strengths of interactions in AuNC–protein complexes on a coarse-grained level, which are then optimized in Monte Carlo-based structure search and refined to atomic-scale structures. The training data is based on extensive molecular dynamics (MD) simulations of AuNC–protein complexes, and the validating MD simulations show the robustness of the predictions. This strategy can be generalized to any complexes of inorganic nanostructures and biomolecules provided that one generates enough data about the interactions, and the bioactive parts of the nanostructure can be coarse-grained rationally.


YSO-asiasanatkoneoppiminenmolekyylidynamiikkabiomolekyylitnanomateriaalit

Vapaat asiasanatgraphs; machine learning; metal nanoclusters; molecular dynamics; nano–bio interface


Liittyvät organisaatiot

JYU-yksiköt:


Hankkeet, joissa julkaisu on tehty


OKM-raportointiKyllä

VIRTA-lähetysvuosi2024

Alustava JUFO-taso3


Viimeisin päivitys 2024-02-11 klo 20:06