通过结合实验设计和机器学习来优化PLGA纳米颗粒的生产

科学领域:

• 材料科学 材料科学 材料科学
• 化学工程是化学工程的重要组成部分.
• 制药科学 制药科学

背景情况:

• 聚乳-同-甘油酸 (PLGA) 是一种重要的生物降解聚合物,用于药物输送和纳米粒子 (NP) 配方.
• 纳米沉为NP生产提供了一种简单且可扩展的方法,但需要进行广泛的优化.
• 通过纳米沉实现所需的NP特征可能是耗时且昂贵的.

研究的目的:

• 为了比较实验设计 (DOE) 和机器学习 (ML) 的预测性能,以优化PLGA NP大小和zeta潜力.
• 评估结合 DOE 和 ML 方法的协同效益.
• 在纳米沉过程中确定影响PLGA NP特征的关键参数.

主要方法:

• 应用各种ML模型,包括极端梯度提升 (XGBoost),以预测PLGA NP大小.
• 利用能源部的原则来结构实验设计和数据收集.
• 在DOE和ML模型之间对预测准确度 (RMSE,R2) 的比较分析.

主要成果:

• 与DOE相比,极端梯度提升 (XGBoost) 显示了NP大小的优异预测性能.
• 无论是ML还是DOE模型,都在准确预测泽塔潜力方面表现出局限性.
• ML有效地确定了影响NP大小的关键参数,即使DOE数据有限.

结论:

• ML与DOE的整合为NP优化提供了增强的洞察力和预测能力.
• 在简化实验设计和优化方面,ML-ML协同效应特别有利,特别是在有限的数据集下.
• 这种综合方法提高了PLGA纳米粒子生产中的预测准确性和效率.