فناوری نانو به دلیل کاربردهای متعدد در حوزه‌های مختلف صنایع توجه جهانیان را به خود جلب کرده است. یک نگرانی عمومی رو به رشد در مورد ایمنی نانو ذرات تولیدشده وجود دارد، زیرا نشان داده شده است MNP هایی که کاندید هستند باعث ایجاد اثرات سمی در انسان می‌شوند. مواجهه حاد یا مکرر MNP موجود در محصولات تجاری ممکن است ذاتاً سبب سمیت های سیستماتیک، سلولی و / یا ژنی شوند. بنابراین درک اثرات بیولوژیکی که در معرض MNP قرار دارند ضروری است. این مقاله مروی کوچک تلاش می‌کند خلاصه‌ای از پیشرفت‌های کلیدی اخیر در زمینه های مدل‌سازی ریاضی بیولوژیکی اثرات، دسته‌بندی و آنالیز مربوطه نانومواد، رابطه کمی نانوساختار-فعالیت (QNAR) بر اساس تکنیک‌های مختلف یادگیری ماشین و همچنین بررسی چالش‌ها و رویکردهای مختلف که برای غلبه بر آن‌ها پیشنهاد شده است را بررسی کند. طبقه‌بندی پیشنهادشده می‌تواند در انتخاب الگوریتم‌های مناسب برنامه‌ها و شناسایی شکاف اصلی در تحقیقات مورد نیاز برای سرعت بخشیدن به استفاده از روش‌های کیفی رابطه ساختار-فعالیتی (QSAR) و ارائه نقشه راه برای تحقیقات مورد نیاز در آینده برای دستیابی به مدل‌های QSAR برای اهداف نظارتی مفید باشد.

Nanotechnology is drawing worldwide attention for its numerous applications in various industrial areas. There is a growing public concern about the safety of manufactured nanoparticles (MNPs), since it has been demonstrated that MNPs intended for industrial applications could cause toxic effects in humans. Acute or repeated exposure to MNPs present in commercial products may potentially cause systemic, cellular, and/or genomic toxicities. Thus, understanding the biological effects of exposure to MNPs is essential. This minireview tries to provide a summary of recent key advances in the field of Quantitative Nanostructure-Activity Relationship (QNAR) modelling of nanomaterial biological effects, categorize and analyze related researches based on different machine learning techniques and also investigate challenges and different approaches which are proposed to overcome them. The proposed classification can be effective in choosing applications appropriate algorithm and identifying the major gaps in research required to accelerate the use of quantitative structure–activity relationship (QSAR) methods , and providing a roadmap for future research needed to achieve QSAR models useful for regulatory purposes.