对纳米粒子向大脑输送药物的全面研究:机器学习技术的应用
Amal Yousfan1,2, Mhd Jawad Al Rahwanji3, Abdulsamie Hanano4
1The School of Pharmacy, University of Reading, Reading RG6 6AD, U.K.
Molecular pharmaceutics
|December 7, 2023
概括
预测纳米粒子 (NP) 输送到大脑对于治疗至关重要. 机器学习模型,特别是线性混合效应模型 (LMEMs),可以根据物理化学特性和药物因素准确预测NP的大脑向.
科学领域:
- 纳米医学是一种纳米医学.
- 药理动力学 药理动力学
- 计算化学的计算化学
背景情况:
- 有效的脑药物输送仍然是治疗学的重大挑战.
- 了解纳米粒子 (NP) 特性对生物分布和非目标积累的影响是有限的.
- 现有的研究缺乏NP脑向的全面预测模型.
研究的目的:
- 使用机器学习和文献数据开发纳米粒子 (NP) 脑部传递的预测模型.
- 确定影响NP生物分布和脑向的关键物理化学性质.
- 分析药物特性,如P-糖蛋白基质状态,对大脑输送的影响.
主要方法:
- 收集和分析了403个数字和分类特征的数据点的大数据集.
- 应用机器学习技术,包括线性混合效应模型 (LMEMs),用于预测建模.
- 系统地分析药学动力学参数和药物和NP的物理化学特性.
- 经过验证的模型使用了两种不同的NP配方的鼻内和静脉注射.
主要成果:
- 线性混合效应模型 (LMEMs) 在预测NP脑部传递方面表现出卓越的准确性.
- 诸如NP释放率和分子重量等因素会对大脑准产生负面影响.
- 药物特性,例如作为P-糖蛋白基质,对脑向有轻微的积极影响.
结论:
- 开发了使用LMEMs针对纳米粒子大脑的准确预测模型.
- 确定了影响NP生物分布和大脑积累的关键物理化学参数.
- 这些发现为设计更有效的纳米治疗药物用于大脑输送提供了基础.
