应用集体机器学习方法来评估影响脂质纳米粒子尺寸和多分散度指数的因素
Benyamin Hoseini1, Mahmoud Reza Jaafari2,3, Amin Golabpour4
1Pharmaceutical Research Center, Pharmaceutical Technology Institute, Mashhad University of Medical Sciences, Mashhad, Iran.
Scientific reports
|October 21, 2023
概括
机器学习准确地预测脂质体纳米粒子大小和PDI,优化药物输送系统. 这种方法通过模拟超声波时间和温度等因素来减少昂贵的实验室工作,以获得更好的脂质体配方.
科学领域:
- 纳米技术和材料科学 材料科学
- 制药科学 制药科学
- 计算生物学 计算生物学
背景情况:
- 脂质体纳米粒子是先进的药物递送系统,具有关键的质量属性,如粒子大小和多分散度指数 (PDI).
- 在实验室中优化脂质体特征是资源密集型的,需要大量的时间和财务投资.
研究的目的:
- 采用机器学习 (ML),特别是集体学习 (EL),以建模和预测关键准备参数对脂质纳米粒子大小和PDI的影响.
- 评估最小平方提升 (LSBoost) 算法的有效性,以预测脂质体特征,以便高效的配方开发.
主要方法:
- 用两种不同的成分 (A和B) 制备了脂质体纳米颗粒,具有不同的超声波时间和挤出温度.
- 使用最小平方提升 (LSBoost) 算法进行集体学习 (EL),以模拟准备参数和脂质体属性之间的关系.
- 数据集被分为70%用于培训和30%用于测试,以验证ML模型的预测性能.
主要成果:
- LSBoost模型的准确性很高,平均绝对误差为1.652的尺寸和0.0105的PDI.
- 该模型预测了最小颗粒大小的最佳条件 (例如,在60°C和30分钟的超声波中,A组合的~117nm).
- 在各种测试条件下实现了持续较低的PDI值 (低于0.2),表明均的脂质细胞群.
结论:
- 集体学习有效地模拟了超声波时间,挤出温度和成分对脂质纳米粒子特征的影响.
- EL作为一个有价值的决策支持工具,用于优化脂质体配方,减少实验代和成本.
- 建议进行进一步的研究,以探索额外的因素,如脂质组成和表面活性剂,以改善脂质体设计.
