一种生成对抗网络方法来预测微流体中的纳米粒子大小.

科学领域:

• 材料科学与工程 材料科学与工程
• 生物医学工程 生物医学工程
• 化学工程是化学工程的重要组成部分.

背景情况:

• 纳米粒子 (NP) 对于先进的药物输送系统 (DDS) 是至关重要的.
• 在微流体合成中精确控制NP大小对于优化DDS性能至关重要.
• 在药物输送应用中,多乳糖合甘油酸 (PLGA) NPs被广泛研究.

研究的目的:

• 开发精确的预测模型,通过微流体合成的聚乳-协同甘油酸 (PLGA) 纳米颗粒大小.
• 确定影响微流体系统中NP大小的关键参数.
• 通过机器学习提高NP大小预测的可靠性和准确性.

主要方法:

• 从广泛的文献审查中编制了一个包含1100多个数据点的综合数据库.
• 图表生成对抗网络 (TGAN) 用于数据增强,以提高数据集可靠性.
• 多种机器学习算法,包括决策树 (DT),随机森林 (RF),深度神经网络 (DNN),线性回归 (LR),支持向量回归 (SVR) 和梯度提升 (GB),用于NP大小预测.

主要成果:

• 决策树 (DT) 算法在预测NP大小方面表现出最高的准确性,平均预测误差为8%.
• 模拟突出了合成方法,聚乙醇 (PVA) 度和PLGA共聚物质的乳化物-糖化物 (LA/GA) 比率对NP大小的显著影响.
• 使用TGAN进行数据增强,提高了机器学习模型的整体预测准确性和可靠性.

结论:

• 机器学习,特别是决策树,为预测微流体合成中的PLGA NP大小提供了可靠的方法.
• 关键配方参数,如PVA度和LA/GA比率是NP大小的关键决定因素,可以更好地控制DDS特征.
• 这项研究为优化PLGA NP的微流体合成提供了宝贵的见解,用于增强药物输送应用.