使用印制聚合物和整体机器学习算法预测利博弗拉吸收性的新方法

科学领域:

• 分析化学 分析化学
• 聚合物科学 聚合物科学
• 计算化学计算化学

背景情况:

• 分子印记聚合物 (MIP) 通过UV/Vis光谱测量有效量化利博弗拉 (维生素B2).
• 优化MIP合成条件是资源密集型,需要时间,金钱,化学品和实验室设备.
• 机器学习 (ML) 提供了一种新的方法来预测最佳合成参数,并最大限度地提高 рибофлавин的吸收.

研究的目的:

• 开发和评估用于预测 рибофлавин吸收的机器学习模型.
• 确定影响RIBOFLAVIN检测MIP性能的关键因素.
• 为了证明机器学习驱动的优化对传统实验室方法的效率.

主要方法:

• 用UV/Vis光谱光度测量进行选择性 рибофлавин提取和定量吸收的合成MIP.
• 研究了六个因素的影响:模板摩尔比率,单体摩尔比率,交叉连接器摩尔比率,加载时间,速率和pH值.
• 采用集体ML算法 (渐变增强,额外树木,随机森林,AdaBoost) 和用于特征选择的相互信息.

主要成果:

• 相互信息分析确定了模板,单体和交叉链接器的摩尔比率作为具有高度影响力的因素.
• 渐变增强 (GB) 和AdaBoost算法表现优于额外树和随机森林.
• 优化的GB模型 (n-估计器=300) 实现了高精度,R2=0.966,MAE=-0.0037和MSE=-0.000078.

结论:

• 机器学习模型可以准确地预测 рибофлавин 吸收率,理论上确定最佳合成条件.
• 拟议的ML方法显著减少了对大量实验室工作的需求,节省了时间,成本和材料.
• 这项研究强调了计算方法的潜力,以简化MIP等分析工具的开发和优化.