通过使用混合人工智能工具进行顺序设计,通过工程方法使功能化的纳米结构脂质载体具有功能
Rebeca Martinez-Borrajo1, Patricia Diaz-Rodriguez2, Mariana Landin1
1Departamento de Farmacología, Farmacia y Tecnología Farmacéutica, Grupo I+D Farma (GI-1645), Facultad de Farmacia, Instituto de Investigación Sanitaria de Santiago de Compostela (IDIS), Instituto de Materiais da Universidade de Santiago de Compostela (iMATUS), Universidade de Santiago de Compostela, 15782, Santiago de Compostela, Spain.
Drug delivery and translational research
|May 29, 2024
概括
人工智能优化了基化纳米结构脂质载体 (NLCs) 进行向药物输送. 这种方法增强了巨细胞的吸收,改善了炎症疾病的治疗方法.
科学领域:
- 生物材料科学 生物材料科学
- 纳米技术纳米技术
- 药物运输 药物运输 药物运输
背景情况:
- 纳米结构脂质载体 (NLC) 是有前途的药物递送系统 (DDS),因为它们的尺寸和药物载荷能力.
- 表面功能化,就像曼诺化一样,增强了纳米粒子与巨细胞的相互作用,以实现有针对性的传递.
- 开发功能化的NLC是复杂的,需要优化多个变量,缺乏功能化效率评估.
研究的目的:
- 采用混合人工智能 (AI) 技术来设计含药物载荷的曼诺西拉NLC.
- 优化NLC复杂的功能化过程,以改善药物输送.
- 第一次使用化学改性mannose量化和优化功能化效率.
主要方法:
- 利用人工神经网络与模糊逻辑或遗传算法相结合,以建模NLC形成.
- 使用AI优化了各种功能化步骤的变量组合.
- 化学修饰的曼诺斯,以实现功能化效率量化和优化.
主要成果:
- 开发了稳定的曼诺化NLCs的强有力的序列方法.
- 达到小颗粒大小 (<100 nm) 均分布和高正泽塔电位 (>20 mV).
- 在NLC表面上实现了超过85%的功能化效率,用于Mannose的整合.
结论:
- 人工智能驱动的设计提供了一个强大的程序,用于创建优化的曼诺西拉NLCs.
- 高功能的效率提高了巨细胞的识别和NLCs的内部化.
- 这种方法促进了针对性药物输送,用于治疗慢性炎症疾病.
