人工神经网络建模水性,以通过聚合物纳米颗粒的微流体学进行最佳设计,用于磁共振成像
Alessio Smeraldo1, Alfonso Maria Ponsiglione2, Paolo Antonio Netti1
1Department of Chemical, Materials and Production Engineering, University of Naples "Federico II", Piazzale Tecchio 80, 80125 Naples, Italy; Interdisciplinary Research Center on Biomaterials, CRIB, Piazzale Tecchio 80, 80125 Naples, Italy; Center for Advanced Biomaterials for Health Care, CABHC, Istituto Italiano di Tecnologia, IIT@CRIB, Largo Barsanti e Matteucci 53, 80125 Naples, Italy.
Acta biomaterialia
|September 29, 2023
概括
人工神经网络 (ANN) 可以预测纳米颗粒大小,用于向药物输送. 这种机器学习方法优化了微流体参数,以实现生物医学应用中高效的纳米粒子设计.
科学领域:
- 生物医学工程 生物医学工程
- 材料科学 材料科学 材料科学
- 纳米技术纳米技术
背景情况:
- 纳米粒子工程对于控制纳米生物相互作用和有效的药物输送至关重要.
- 传统的批量工艺缺乏可重复性和对纳米粒子特征的控制.
- 微流体学为精确的纳米颗粒尺寸和分布控制提供了一种具有成本效益的快速方法.
研究的目的:
- 使用人工神经网络 (ANN) 建模微流体参数对纳米粒子大小的影响.
- 探索ANN在生物医学应用指导生物聚合物纳米粒子设计中的潜力.
- 提出一种机器学习方法来评估生物聚合物矩阵中的水真实性.
主要方法:
- 通过纳米沉等过程,利用微流体进行连续,高吞吐量纳米粒子生产.
- 实施人工神经网络 (ANN) 来建模微流体参数 (流量,聚合物度) 和纳米粒子大小之间的关系.
- 开发了一种概念验证机器学习方法,以评估生物聚合物纳米结构中的水印性.
主要成果:
- 在基于微流体参数的纳米颗粒大小预测中实现了高模型准确性 (高达98.9%).
- 展示了ANN引导设计的潜力,以优化生物聚合物纳米粒子特性.
- 成功分析了不同复杂度的纳米结构,并提出了一种用于水真实性评估的方法.
结论:
- 在纳米粒子合成中,ANN是优化微流体参数的强大工具.
- 这种方法有助于合理设计具有特定物理化学性质的纳米粒子,以实现有针对性的输送.
- 该研究强调了机器学习在推动生物医学应用纳米粒子工程方面的潜力.
