优化纳米脂质体配方:使用机器学习评估影响素载脂质体捕获效率的因素
Benyamin Hoseini1, Mahmoud Reza Jaafari2, Amin Golabpour3
1Pharmaceutical Research Center, Pharmaceutical Technology Institute, Mashhad University of Medical Sciences, Mashhad, Iran.
International journal of pharmaceutics
|September 15, 2023
概括
集体学习优化了黄素载入的脂质体,通过确定理想的配方条件来实现100%的捕获效率 (EE). 这种机器学习方法增强了药物输送系统的开发.
科学领域:
- 制药科学 制药科学
- 材料科学 材料科学 材料科学
- 计算化学计算化学
背景情况:
- 黄素的生物可用性较差,阻碍了临床使用.
- 脂质体为黄素的输送提供了一个有前途的解决方案.
- 优化脂质体配方对于高捕获效率 (EE) 至关重要.
研究的目的:
- 应用集体学习来优化黄素负载的脂质体配方.
- 确定影响脂质体EE的关键实验参数.
- 为了实现高EE和适合的颗粒特征,以有效的药物输送.
主要方法:
- 使用不同摩尔比率的远程加载来制备的脂质体 (HSPC:DPPG:Chol:DSPE-mPEG2000和HSPC:Chol:DSPE-mPEG2000).
- 雇佣的最小平方增强 (LSBoost) 组合学习基于摩尔比率,粒子大小,超声波时间,pH和PDI的EE模型.
- 使用动态光散射来确定粒子大小和PDI;分数据70/30用于训练/测试;使用平均绝对误差 (MAE) 进行评估.
主要成果:
- 最优的LSBoost模型实现了3.61的低MAE,证明了强大的预测能力.
- 确定了100%EE的最佳条件,包括55:5:35:5的摩尔比,PDI0.09-0.13,粒子大小~130nm,30分钟的超声波和pH7.2-8.5.
- 55:40:5的摩尔比率产生了最大EE的88.38%,强调了配方成分的重要性.
结论:
- 合体学习准确地预测和优化 curcumin-loaded 脂质体的 EE.
- 开发的模型为有效的药物输送系统设计提供了有价值的见解.
- 这种机器学习方法加速了脂质体配方的优化过程.
更多相关视频
00:11Preparation and Characterization of Nanoliposomes for the Entrapment of Bioactive Hydrophilic Globular Proteins
Published on: August 31, 2019
23.9K
13:54A Workflow for Lipid Nanoparticle LNP Formulation Optimization using Designed Mixture-Process Experiments and Self-Validated Ensemble Models SVEM
Published on: August 18, 2023
4.6K
