在超临界溶剂中通过机器学习模型对莱特醇溶解性的智能计算分析

科学领域:

• 制药科学 制药科学
• 化学工程是化学工程的重要组成部分.
• 计算化学的计算化学

背景情况:

• 超临界流体 (SCF),特别是超临界二氧化碳 (SCCO2),为纳米粒子制备提供了对有机溶剂的环保替代品.
• SCF 具有独特的特性,可以将气态运输与液态溶解相结合,使其在改善药物溶解度方面具有优势.
• 准确的模型对于估计化疗剂在SCF中的可溶性至关重要,以推进制药应用.

研究的目的:

• 采用机器学习 (ML) 方法来估计化疗药物莱特 (LET) 在SCCO2中的可溶性.
• 使用预测模型将LET溶解度与变化的温度和压力条件相关联.
• 在这种情况下,确定最适合的ML模型来准确预测溶解度.

主要方法:

• 使用了三个机器学习模型:被动攻击性回归 (PAR),随机森林 (RF) 和带有RBF内核的支持矢量机器 (RBF-SVM).
• 使用遗传算法 (GA) 优化模型超参数.
• 使用诸如确定系数 (R平方) 和平均平方误差 (MSE) 等指标评估模型性能.

主要成果:

• 优化的 PAR,RF 和 RBF-SVM 模型实现了分别为 0.8277,0.9534 和 0.9947 的 R 平方值.
• 相应的MSE错误率为PAR的0.1342,RF的0.0305和RBF-SVM的0.0045.
• 优化的RBF-SVM模型显示了最高的准确性,最大预测误差为0.1289.

结论:

• 优化的 RBF-SVM 模型对于在不同温度和压力范围内预测莱特醇在超临界二氧化碳中的溶解性非常有效.
• 机器学习为估计SCF中的药物溶解度提供了一个强大的工具,促进了先进药物递送系统的开发.
• 这项研究强调了SCCO2和ML在更环保,更高效的制药制造过程中的潜力.