对机器学习算法进行全面评估,以便在口膜开发中进行增强的表征和预测
Erna Turkovic1, Ivana Vasiljevic1, Jelena Parojcic1
1Department of Pharmaceutical Technology and Cosmetology, University of Belgrade - Faculty of Pharmacy, Vojvode Stepe 450, 11221 Belgrade, Serbia.
机器学习可以准确地预测口腔可分散膜 (ODF) 的机械性能. 这种方法提供了对配方变量的洞察力,指导这些创新的药物输送系统的高效药物开发.
科学领域:
- 制药科学 制药科学
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
背景情况:
- 口腔可分散膜 (ODF) 是一种先进的药物剂量形式,可以通过灵活的剂量和多成分配方实现个性化药物.
- 越来越复杂的开放式数据库产生了大量的数据集,需要复杂的分析方法来全面解释数据.
- 机器学习 (ML) 在制药研究中越来越重要,特别是在药物预制和表征方面.
研究的目的:
- 研究机器学习算法的应用,用于分析来自ODF表征的实验数据.
- 了解影响ODF表现的因素,并为制药开发提供指导.
- 评估ML模型在预测关键的ODF属性的准确性.
主要方法:
- 利用了对ODF进行广泛实验研究的数据集.
- 应用了各种机器学习算法,包括支持矢量机 (SVM),随机森林和深度学习.
- 使用聚类和预测建模技术来分析ODF属性.
主要成果:
- 机器学习模型在预测ODF的机械性质,如灵活性和刚性方面表现出高准确度.
- 开发的预测模型为制定变量之间的复杂关系提供了宝贵的见解.
- ML有效地确定了管理ODF绩效的关键因素.
结论:
- 机器学习为分析复杂的制药数据提供了一种强大而变革性的方法.
- 这项试点研究突出了ML在提高药物开发效率和告知决策方面的潜力.
- 基于ML的洞察力可以加速开发优化的可溶性膜配方.
更多相关视频
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
相关概念视频
Factors Influencing Drug Absorption: Pharmaceutical Parameters
Factors Affecting Dissolution: Drug Permeability, Stability and Stereochemistry
Factors Affecting Dissolution: Particle Size and Effective Surface Area
Analysis of Population Pharmacokinetic Data
One-Compartment Open Model for IV Bolus Administration: Estimation of Elimination Rate Constant, Half-Life and Volume of Distribution
