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 toimittajat: Pihlajamäki, Antti; Matus, María Francisca; Malola, Sami; Häkkinen, Hannu
Lehti tai sarja: Advanced Materials
ISSN: 0935-9648
eISSN: 1521-4095
Julkaisuvuosi: 2024
Ilmestymispäivä: 24.09.2024
Volyymi: Early View
Kustantaja: Wiley-VCH Verlag
Julkaisumaa: Saksa
Julkaisun kieli: englanti
DOI: https://doi.org/10.1002/adma.202407046
Julkaisun avoin saatavuus: Avoimesti saatavilla
Julkaisukanavan avoin saatavuus: Osittain 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-asiasanat: koneoppiminen; molekyylidynamiikka; biomolekyylit; nanomateriaalit
Vapaat asiasanat: graphs; machine learning; metal nanoclusters; molecular dynamics; nano–bio interface
Liittyvät organisaatiot
Hankkeet, joissa julkaisu on tehty
- Suuritehoista koneoppimista uusien katalyyttien suunnitteluun
- Häkkinen, Hannu
- Suomen Akatemia
- Uusia menetelmiä metallinanoklusterien laskennalliseen suunnitteluun biokuvantamisen ja
fotodynaamisen terapian sovelluksia varten- Häkkinen, Hannu
- Suomen Akatemia
OKM-raportointi: Kyllä
VIRTA-lähetysvuosi: 2024
Alustava JUFO-taso: 3