相关实验视频
Updated: Jun 5, 2025

Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
使用人工神经网络优化快速分解平板电脑的关键质量属性:一项科学基准研究
Jagruti Desai1, Prince Dhameliya1, Swayamprakash Patel1
1Department of Pharmaceutical Technology, Ramanbhai Patel College of Pharmacy, Charotar University of Science and Technology (CHARUSAT), CHARUSAT Campus, Changa, Gujarat, India.
人工神经网络 (ANN) 准确地预测快速分解平板电脑 (FDT) 的质量属性,优化配方. 这种机器学习方法提高了药物应用的药片一致性和效率.
科学领域:
- 制药科学 制药科学
- 计算化学的计算化学
- 材料科学 材料科学 材料科学
背景情况:
- 快速解体片 (FDTs) 需要精确控制关键质量属性 (CQAs) 以获得最佳性能.
- 传统的FDT配方优化方法可能耗时且资源密集.
- 机器学习为预测和优化复杂的药物配方提供了一个有希望的途径.
研究的目的:
- 开发和比较机器学习模型,用于预测FDT的CQAs,包括硬度,脆性和分解时间.
- 确定影响FDT属性的关键配方变量.
- 使用预测建模方法优化FDT配方.
主要方法:
- 训练和评估了四种机器学习模型:人工神经网络 (ANN),k-最近邻居 (kNN),支持向量机器 (SVM) 和线性回归.
- 使用了864个FDT批次的数据集,其中有粘合剂,分解剂,稀释剂,冲孔尺寸和压缩力的变化.
- 采用数据预处理技术,包括规范化和一热编码,并使用差异演化来优化配方.
主要成果:
- ANN实现了FDT CQAs的最高预测准确度,R2值高达0.9550和最低的平均平方误差 (MSE).
- 特性重要性分析确定了压缩力,粘合剂类型和冲孔大小作为影响硬度的关键因素,而分解型影响了脆性.
- 不同进化函数成功优化了配方,产生了具有所需特征的FDT.
结论:
- 该ANN模型,结合差异演变,为优化FDT配方提供了一个强大而有效的工具.
- 这种方法通过准确预测CQAs,显著减少了对广泛实验试验的需求.
- 开发的方法是可扩展的,适用于除了乙酸FDTs之外的各种制药配方.
相关概念视频
Factors Influencing Drug Absorption: Pharmaceutical Parameters
Factors Affecting Dissolution: Particle Size and Effective Surface Area
Factors Affecting Dissolution: Drug Permeability, Stability and Stereochemistry
Factors Influencing Drug Absorption: Physicochemical Parameters
Enhanced drug absorption can be achieved by reducing particle sizes and increasing surface areas, thereby facilitating...
Structure-Activity Relationships and Drug Design
SAR studies the intricate relationship between a drug's chemical structure and biological activity. It focuses on understanding how modifications to a drug's structure can influence...
Factors Influencing Drug Absorption: Drug Dissolution

