一个监督的机器学习分析了多克索鲁比装载的电纳米纤维及其抗癌活性能力

科学领域:

• 生物材料工程 生物材料工程
• 纳米技术纳米技术
• 机器学习在药物交付中的应用.

背景情况:

• 电纳米纤维为药物输送提供了优势,但在优化诸如多克索鲁比辛等药物的参数方面仍然存在挑战.
• 在化疗中多克索鲁比辛的有效传递和疗效需要新的纳米平台.
• 之前的研究重点是实验室对纳米纤维中多克索鲁比辛封装的研究,考虑各种生产和加载参数.

研究的目的:

• 采用监督机器学习来分析含多克索鲁比的电纳米纤维的定量数据.
• 提取影响参数并确定它们的显著系数,以优化纳米纤维特性.
• 确定影响药物释放和抗癌活性的关键参数的最佳点和间隔.

主要方法:

• 使用支持矢量机器 (SVM) 分析,一种监督机器学习技术.
• 分析了与聚合物溶液参数 (密度,溶剂,导电性,度) 相关的定量数据.
• 评估了电旋参数 (电压,流速,距离) 和研究参数 (药物释放,抗癌活性).

主要成果:

• 确定了影响纳米纤维特性的关键参数:距离,聚合物密度和聚合物度至关重要.
• 确定了分子重量 (80-474 kDa),多克索鲁比辛度 (≥3.182 wt%),聚合物密度 (1.2-1.52 g/cm3),聚合物度 (6.618-9 wt%) 和溶剂介电常数 (>30) 的最佳范围.
• 找到了最佳的电旋条件:距离 (14-15厘米),流速 (3.5-5毫升/小时) 和电压 (20-25千伏) 以实现高释放,封装和小直径.

结论:

• 基于机器学习的调查有效地优化了多克索鲁比辛载的电纳米纤维.
• 确定了特定的参数范围,以实现所需的特性,如最小的直径,最高的封装效率,药物释放和抗癌活性.
• 这些发现为设计和生产具有卓越性能的先进药物载入聚合物纳米纤维提供了路线图.