使用机器学习模型对药物纳米粒子向癌症瘤部位的传递效率进行情报分析
Wael A Mahdi1, Adel Alhowyan1, Ahmad J Obaidullah2
1Department of Pharmaceutics, College of Pharmacy, King Saud University, P.O. Box 2457, 11451, Riyadh, Saudi Arabia.
Scientific reports
|January 6, 2025
概括
机器学习模型准确地预测了用于癌症治疗的纳米粒子生物分布. 核心回归 (KRR) 在预测跨器官的纳米粒子行为方面表现出卓越的性能.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 纳米医学是一种纳米医学.
背景情况:
- 纳米粒子生物分布对于有效的癌症治疗提供至关重要.
- 预测瘤,心脏,肝脏,脏,肺和脏等器官中的纳米粒子行为是复杂的.
- 现有的模型与生物分布数据固有的非线性关系作斗争.
研究的目的:
- 开发和评估用于预测纳米粒子生物分布的机器学习 (ML) 模型.
- 为了比较贝叶斯山脊回归 (BRR),内核山脊回归 (KRR) 和K-最近邻居 (KNN) 在这个任务中的表现.
- 确定最佳的ML方法,以了解纳米粒子 in vivo 的行为.
主要方法:
- 利用了来自癌症治疗研究的纳米粒子特性和器官分布数据集.
- 应用了三个ML模型:贝叶斯山脊回归 (BRR),内核山脊回归 (KRR) 和K-最近邻居 (KNN).
- 使用火算法进行超参数调整和递归特征消除 (RFE) 进行特征选择.
主要成果:
- 核心回归 (KRR) 在预测纳米粒子生物分布方面表现优于BRR和KNN.
- 在大多数输出参数中,KRR实现了更高的R2和更低的RMSE值.
- 该研究证实了ML模型在捕获非线性生物分布特征方面的效率.
结论:
- 机器学习模型,特别是KRR,对于预测纳米粒子生物分布非常有效.
- 像RFE和火算法这样的先进技术提高了预测模型的准确性.
- 这些发现为优化基于纳米粒子的癌症疗法提供了宝贵的见解.
