通过机器学习通过微针皮肤预测药物透
Yunong Yuan1, Yiting Han2,3, Chun Wei Yap4
1School of Pharmacy, Faculty of Medicine and Health University of Sydney New South Wales 2006 Australia.
Bioengineering & translational medicine
|November 29, 2023
概括
机器学习模型,特别是XGBoost,可以使用微针 (MNs) 准确预测通过皮肤的药物透. 这种方法绕过了昂贵的体外试验,识别了关键参数,如药物负载和MN表面积.
科学领域:
- 药理学 药理学是指药理学的学科.
- 生物材料科学 生物材料科学
- 计算生物学 计算生物学
背景情况:
- 角质层作为一种屏障,可以通过皮肤传递药物.
- 微针 (MNs) 通过穿透角层来增强药物透.
- 试管体内药物透测试是标准的,但昂贵且耗时.
研究的目的:
- 开发和评估机器学习模型,以预测通过微针促进皮肤的药物透.
- 建立一个具有成本效益和高效的替代传统的体外透测试.
主要方法:
- 利用机器学习算法来预测药物透概况.
- 对比了四种模拟方法的性能,包括极端梯度提升 (XGBoost).
- 确定了影响药物透的关键参数,例如药物负载,透时间和MN表面积.
主要成果:
- 极端梯度提升 (XGBoost) 在测试的模拟方法中显示了最高的准确性.
- 药物载荷,透时间和微针表面积被确定为药物透的关键预测因素.
- 机器学习模型有效地预测了药物透,与实验数据有很好的相关性.
结论:
- 机器学习提供了一种可行和有效的方法,用于预测微针辅助透皮药物输送中的药物透概况.
- 开发的模型可以减少对广泛的体外试验的依赖,节省时间和资源.
- 这种方法在优化通过皮肤递送药物系统方面具有重大潜力.
