基于机器学习算法对液态固体系统的特性进行数据驱动的洞察

科学领域:

• 制药科学 制药科学
• 计算化学计算化学
• 材料科学 材料科学 材料科学

背景情况:

• 液态固体系统 (LS) 通过将液体药物转化为粉末来增强药物溶解和生物可用性.
• 评估影响LS性能的因素对于配方开发至关重要.
• 现有研究强调了对LS特征进行全面分析的必要性.

研究的目的:

• 评估机器学习 (ML) 算法的适用性,用于评估液态固体系统.
• 使用文献数据识别控制液态固体系统性能的关键因素.
• 开发液态固体系统特征的预测模型.

主要方法:

• 从已发表的文献中编制了425种液态固体配方的数据集.
• 使用了机器学习算法 (渐变增强,自适应增强,随机森林).
• 分析的重点是制备方法,配方参数和系统特性,如流动性,紧硬度和药物溶解等.

主要成果:

• 新的制备方法 (流体床,挤出/球形化) 和助剂改善了LS的特性.
• 确定的主要配方因素包括载体/涂料剂的类型和含量,液体负载,药物的类型和含量以及制备方法.
• 开发的ML模型在测试数据上显示出高预测准确度 (>80%).

结论:

• 机器学习模型为影响液体固体系统性能的关键属性提供了宝贵的见解.
• 机器学习可以成为开发和优化液态固体系统的强大工具.
• 这项研究验证了ML在制药配方中用于数据驱动评估的使用.