基于fucoidan/polyethyleneimine的sorafenib装载自组装纳米颗粒的开发与机器学习和DoE-ANN实施:针对抗癌药物输送的优化,表征和体外评估

科学领域:

• 纳米技术纳米技术
• 材料科学 材料科学 材料科学
• 药理学 药理学是指药理学的学科.

背景情况:

• 开发用于癌症治疗的有效药物输送系统至关重要.
• 索拉费尼布是治疗各种癌症的关键药物,但其输送可以改进.
• 自组装纳米粒子为向药物输送提供了一个有希望的平台.

研究的目的:

• 使用人工神经网络和实验设计 (ANN-DoE) 方法开发和优化带有索拉费尼布的自组装纳米粒子 (SFB-SANPs).
• 为了比较ANN-DoE与其他机器学习 (ML) 模型在纳米粒子优化方面的有效性.
• 评估优化的SFB-SANPs的物理化学特性,药物释放,生物相容性和抗癌活性.

主要方法:

• 利用中央复合设计 (CCD) 和各种ML算法 (启动树林,K-最近邻居,人工神经网络,通用回归拉索,支持矢量机) 来选聚合物度 (聚乙烯胺和fucoidan) 并优化纳米粒子特性.
• 使用聚乙烯胺 (PEI) 和富科伊丹 (FCD) 制备SFB-SANPs的多电解质复合物.
• 以粒子大小,泽塔潜力,封装效率,药物释放动力学,红细胞兼容性 (血液溶解) 和体外抗癌活性对抗MDMB-231乳腺癌细胞的SFB-SANPs的特征.

主要成果:

• 与其他ML模型相比,ANN-DoE模型在优化SFB-SANPs方面表现出卓越的准确性和可预测性.
• 优化的SFB-SANPs表现出纳米尺寸 (280.4纳米),轻微阳离子泽塔电位 (-6.03mV) 和高封装效率 (95.56%).
• SFB-SANPs在pH值为5.0时表现出受控和持续的药物释放,与红细胞相容 (<5.0%血液溶解),并对乳腺癌细胞表现出显著的抗癌活性 (IC50=2.017μM).

结论:

• 结合ANN和DoE提供了一种高效,具有成本效益的方法来优化纳米配方.
• 开发的SFB-SANPs显示出作为一种纳米载体系统,用于增强抗癌药物输送的巨大潜力.
• 这种基于机器学习的方法对未来开发用于癌症治疗的先进纳米药物具有前景.