利用机器学习方法生产优化的PLGA纳米颗粒用于药物输送应用程序
Khaled Almansour1, Arwa Sultan Alqahtani2
1Department of Pharmaceutics, College of Pharmacy, University of Hail, Hail, Saudi Arabia. Kh.almansour@uoh.edu.sa.
Scientific reports
|March 15, 2025
概括
机器学习准确地预测了Poly乳酸-co-糖醇酸 (PLGA) 纳米粒子大小和Zeta潜力. 像ADA-KNN和SBNNR这样的先进方法为材料科学应用提供了强大的回归建模.
科学领域:
- 材料科学 材料科学 材料科学
- 纳米技术 纳米技术
- 计算化学计算化学
背景情况:
- 准确预测纳米粒子特征对于药物输送应用至关重要.
- 聚乳合甘油酸 (PLGA) 纳米颗粒在药物输送系统中得到广泛使用.
- 机器学习为优化纳米粒子制备和表征提供了潜力.
研究的目的:
- 为了研究机器学习模型来预测Poly乳酸-co-糖醇酸 (PLGA) 纳米粒子大小.
- 评估各种回归模型的性能,包括集体方法和一个新的SBNNR模型.
- 确定为制备纳米尺寸PLGA颗粒用于药物输送的最佳条件.
主要方法:
- 使用Leave-One-Out (LOO) 进行分类特征转换和局部异常因子 (LOF) 进行异常检测.
- 使用蝙蝠优化算法 (BA) 进行超参数调整.
- 对比K-最近邻居 (KNN),包装,自适应提升 (AdaBoost) 和一个新的小型蝙蝠优化KNN回归 (SBNNR) 模型.
主要成果:
- 对于粒子大小预测,ADA-KNN获得了0.94385的测试R2,表现优于其他模型.
- 该SBNNR模型在测试R2为0.97674.4的测试中证明了对Zeta潜力预测的卓越准确性.
- 该研究强调了结合预处理,优化和组合技术的有效性.
结论:
- 先进的机器学习技术为纳米粒子表征提供了可靠的框架.
- 开发的SBNNR模型显示了改善稀疏数据集回归性能的前景.
- 这项研究验证了蝙蝠优化算法 (BA) 在材料科学中的超参数优化的实用性.
