机器学习预测异酸盐衍生的气凝释放药物的情况
Stephen Yaw Owusu1, Mark Amo-Boateng2, Rushi U Soni1
1Department of Chemistry, Missouri S&T, Rolla, MO 65409, USA. sadnd@mst.edu.
机器学习模型准确地预测了新型气凝释放的药物. 与药物输送研究的传统实验方法相比,这种方法节省了时间和资源.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 药理学 药理学是指药理学的学科.
背景情况:
- 来自异酸盐的气凝对药物输送有希望.
- 预测药物释放动力学至关重要,但实验密集.
- 机器学习 (ML) 之前没有被应用于气凝药物释放.
研究的目的:
- 采用ML算法来预测空气凝的体外药物释放动力学.
- 根据实验数据验证ML模型的预测.
- 确定影响气凝中药物释放的关键因素.
主要方法:
- 训练有素的ML算法使用16个数据集,每个数据集有8个发布数据点.
- 通过随机抽样和交叉验证验证模型.
- 使用受过训练的模型来预测四个气凝纳米结构的释放配置.
主要成果:
- 预测和实验药物释放概况之间观察到良好的相关性 (*R*2 > 0.9).
- 梯度提升成为表现最好的ML算法.
- 气凝形态 (K指数) 和孔隙比被确定为关键的释放因素.
结论:
- ML是预测气凝药物释放动态的宝贵工具,减少了实验负担.
- 这项研究为药物输送中的计算方法提供了基础.
- 在开发新的药物输送系统时,ML可以最大限度地减少试错.
更多相关视频
09:09Synthesis of PolyN-isopropylacrylamide Janus Microhydrogels for Anisotropic Thermo-responsiveness and Organophilic/Hydrophilic Loading Capability
Published on: February 27, 2016
09:11Alternating Magnetic Field-Responsive Hybrid Gelatin Microgels for Controlled Drug Release
Published on: February 13, 2016
相关概念视频
Predicting Reaction Outcomes
Modified-Release Drug Delivery Systems: Rate-Programmed II
Modified-Release Drug Delivery Systems: Drug Release Characteristics
Modified-Release Drug Delivery Systems: Rate-Programmed I
Modified-Release Drug Delivery Systems: Stimuli-Activated
