Aprendizaje automático para predecir el comportamiento de liberación de fármacos de microesferas de PLGA

Área de la Ciencia:

• Ciencia de biomateriales
• Tecnología farmacéutica
• Química computacional

Sus antecedentes:

• Las microesferas de poli(ácido láctico-co-glicólico) (PLGA) son cruciales para la administración sostenida de fármacos, mejorando la adherencia del paciente.
• El desarrollo actual se basa en métodos ineficientes de prueba y error debido a factores complejos de formulación que influyen en la liberación de fármacos.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático para predecir perfiles de liberación de fármacos in vitro de microesferas de PLGA.
• Identificar los parámetros clave de la formulación que influyen en la cinética de liberación de fármacos.

Principales métodos:

• Se compiló un conjunto de datos completo de 113 formulaciones de PLGA de la literatura científica.
• Se entrenaron y evaluaron múltiples algoritmos de aprendizaje automático para el rendimiento predictivo.
• Se realizó un análisis de la importancia de las características para comprender los factores críticos que afectan la liberación.

Principales resultados:

• El modelo de aprendizaje automático óptimo logró una alta precisión, con R² = 0.9415, RMSE = 6.99%, y MAE = 4.35%.
• El modelo demostró una sólida capacidad predictiva para la liberación de fármacos in vitro de microesferas de PLGA.
• Los factores clave que influyen en la liberación de fármacos se identificaron mediante el análisis de la importancia de las características.

Conclusiones:

• El aprendizaje automático proporciona una herramienta poderosa para el diseño racional y la optimización de sistemas de administración de fármacos basados en PLGA.
• La predicción precisa de los perfiles de liberación de fármacos puede acelerar el desarrollo de formulaciones y mejorar los resultados terapéuticos.
• Este enfoque basado en datos facilita el desarrollo eficiente de formulaciones inyectables de acción prolongada.