基于机器学习策略的高效的cocrystal coformer选:对准备具有增强物理化学性质的imatinib cocrystal的案例研究
Xiaoxiao Liang1, Shiyuan Liu1, Zebin Li1
1Guangdong Provincial Key Lab of Green Chemical Product Technology, School of Chemistry and Chemical Engineering, South China University of Technology, Guangzhou 510640, China.
概括
机器学习模型准确地预测了活性药物成分 (API) 的共晶形成. 结合七种模型,提高了预测准确度,从而发现了具有可溶性和稳定性的新型Imatinib多组分晶体.
科学领域:
- 制药科学 制药科学
- 材料科学 材料科学 材料科学
- 计算化学计算化学
背景情况:
- 晶工程是修改活性药物成分 (API) 物理化学性能的关键策略.
- 确定适合API共晶形成的共同形成剂是一个重大挑战.
- 非共价相互作用驱动API和辅形体的自我组装到新的固态结构中.
研究的目的:
- 开发和验证用于预测共晶形成的机器学习模型.
- 使用预测模型选模型药物伊马替尼布的潜在的辅助器.
- 通过实验来描述新型的多元件晶体,并评估它们的特性.
主要方法:
- 构建七个机器学习模型用于共晶形成预测.
- 应用模型来选31种潜在的伊马替尼布的辅助体.
- 使用像X射线衍射这样的技术,对预测的共晶体进行实验验证和表征.
- 评估新的固体形式的溶解,可溶性,稳定性和细胞毒性.
主要成果:
- 七个预测模型实现了高精度 (超过0.890) 的共晶形成.
- 一个组合模型在查伊马丁尼布的辅形体中表现出极好的准确性 (0.903).
- 八个新的Imatinib多组分晶体成功合成和表征.
- 与纯伊马替尼相比,新型呈现出更高的溶解性和溶解率,IM-MC与伊马替尼甲基酸α形式相匹配.
- 与纯API相比,药物-药物共晶IM-5F显示细胞毒性增加.
结论:
- 机器学习为协同选和协同晶体发现提供了一种有效的策略.
- 开发的模型成功地确定了具有改进的物理化学性质的新型多元组分晶体.
- 伊马替尼布的晶工程提供了一种可行的方法来提高药物的溶解性,溶解性和潜在的治疗疗效.
