机器学习辅助对影响PLGA纳米颗粒的影响参数的探索
Sima Rezvantalab1, Sara Mihandoost2, Masoumeh Rezaiee3
1Chemical Engineering Department, Urmia University of Technology, Urmia, 57166‑419, Iran. s.rezvantalab@uut.ac.ir.
Scientific reports
|January 11, 2024
概括
机器学习模型预测了Poly (乳酸-co-糖醇酸) 纳米粒子的特性. 封装效率显著影响纳米粒子大小,而PLGA分子量和LA/GA比率是药物加载和效率的关键.
科学领域:
- 材料科学 材料科学 材料科学
- 制药科学 制药科学
- 计算化学计算化学
背景情况:
- 基于多 (乳糖-联合甘油酸) (PLGA) 的纳米颗粒 (NP) 对于药物输送至关重要.
- 尽管进行了广泛的研究,但预测NP大小,封装效率 (E.E.%) 和药物负载 (D.L.%) 是具有挑战性的.
- 确定影响NP特性的关键物理化学和技术参数对于优化药物输送系统至关重要.
研究的目的:
- 开发和比较机器学习 (ML) 模型,用于预测PLGA-NP大小,EE%和DL%.
- 使用ML技术识别影响这些关键NP属性的最有影响的特征.
- 调查NP大小,EE%和DL%之间的相互关系.
主要方法:
- 从文献中提取相关参数来训练四种不同的ML模型.
- 使用最小绝对收缩和选择操作员 (LASSO) 进行特征选择.
- 使用十倍交叉验证进行模型培训和验证,比较支持向量回归 (SVR) 和随机森林 (RF) 模型.
主要成果:
- SVR模型准确预测了NP大小和EE%,而RF在预测DL%方面表现出色.
- 封装效率 (E.E.%) 被确定为影响NP大小最有影响的因素.
- 发现PLGA分子量 (Mw) 和乳酸与糖化物 (LA/GA) 的比率分别是E.E.%和DL%的关键决定因素.
结论:
- 机器学习提供了一种强大的方法来预测和理解控制PLGA-NP特征的复杂关系.
- 该研究强调了E.E.%对NP大小的重大影响,并确定了影响药物递送性能的关键PLGA特性.
- 这些发现可以指导基于PLGA的纳米颗粒的合理设计,用于增强药物输送应用.
