通过机器学习分析预测PLGA纳米颗粒大小和合成中的zeta潜力,以应用药物输送
Saad Alqarni1,2, Bader Huwaimel3,4
1Department of Pharmaceutical Chemistry, College of Pharmacy, University of Ha'il, Hail, 55473, Saudi Arabia.
Scientific reports
|July 2, 2025
概括
高斯过程回归 (GPR) 准确地预测了多 (乳酸-co-甘油酸) 纳米粒子大小和泽塔潜力. 在这项预测建模研究中,GPR在其他机器学习模型中表现出卓越的性能.
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:
- 在药物输送过程中,聚乳糖糖酸 (PLGA) 纳米颗粒至关重要.
- 控制纳米粒子大小和泽塔潜力对于有效性至关重要.
- 预测建模可以优化PLGA纳米粒子配方.
研究的目的:
- 开发和比较用于预测PLGA纳米粒子特性的机器学习模型.
- 确定用于预测粒子大小和泽塔潜力的最有效模型.
- 建立一个可靠的方法来优化PLGA纳米粒子配方参数.
主要方法:
- 使用了先进的回归模型:内核回归 (KRR),高斯过程回归 (GPR) 和自适应神经模糊推理系统 (ANFIS).
- 应用了严格的数据预处理:Leave-One-Out编码,Z-score异常值检测和Min-Max规范化.
- 使用R平方,平均平方误差 (MSE) 和平均绝对百分比误差 (MAPE) 度量来评估模型性能.
主要成果:
- 高斯过程回归 (GPR) 在预测粒子大小和泽塔潜力方面显著超过了KRR和ANFIS.
- GPR实现了高测试R平方值:粒子大小为0.9427和泽塔电位为0.9841.
- 在低MSE和MAPE值的情况下,GPR表现出极好的准确性,证实了其预测能力和稳定性.
结论:
- GPR是一种高效的机器学习工具,用于预测PLGA纳米粒子的关键属性.
- 开发的预测模型可以指导配方过程,从而优化纳米粒子特性.
- 这项研究强调了机器学习在推进制药应用中纳米粒子工程方面的潜力.
