用D-optimalcandexch算法增强的机器学习紫外线光谱测量用于新型抗光眼瘤配方和眼液中的五种分析剂的确定:四色可持续性框架与NQS评估和联合国-SDG整合
Omkulthom Al Kamaly1, Lateefa A Al-Khateeb2, Michael K Halim3
1Department of Pharmaceutical Sciences, College of Pharmacy, Princess Nourah bint Abdulrahman University, P.O. Box 84428, 11671, Riyadh, Saudi Arabia.
BMC chemistry
|July 4, 2025
概括
这项研究引入了一种可持续的机器学习方法,用于量化青光眼的药物,提高准确性和环境影响. 这种新的方法增强了制药分析,并支持全球可持续发展目标.
科学领域:
- 分析化学 分析化学
- 计算化学计算化学
- 绿色化学 绿色化学
背景情况:
- 量化含有拉坦诺普罗斯特,内塔苏迪尔和化等多成分眼科制剂的数量存在分析挑战.
- 现有的量化方法缺乏环境可持续性和全面验证.
- 在制药分析中,急需使用环保和强大的分析技术.
研究的目的:
- 开发和验证一种新的,可持续的,机器学习增强的UV光谱光度化学测量方法.
- 为了能够同时量化拉坦诺普罗斯特,内塔苏迪尔,化和相关化合物.
- 解决药品分析中缺乏环保的量化方法的问题.
主要方法:
- 利用一个多层次的,多因素的实验设计来创建一个25混合物校准集.
- 采用了四种化学模型:部分最小平方 (PLS),遗传算法-PLS (GA-PLS),主要成分回归 (PCR) 和多变量曲线分辨率-交替最小平方 (MCR-ALS).
- 实施了D-最佳设计,用于构建一个强大的验证集,增强机器学习模型的评估.
- 使用绿色指数蜘蛛图表和绿色溶剂选择工具应用绿色化学原理.
主要成果:
- 优化的MCR-ALS模型表现出卓越的预测能力和高恢复率 (98-102%).
- 在校准和预测中实现了低误差 (RMSEc,RMSEC),有利的偏差校正MSE和可接受的相对RMSE (RRMSE).
- 该方法显示了适用于制药应用的适当检测极限,并因其绿色,蓝色,紫色和白色而得到验证.
- 需求,质量,可持续性 (NQS) 指数证实了该方法的环境和社会效益.
结论:
- 开发的基于机器学习的框架为量化复杂的眼科制剂提供了可持续和准确的方法.
- 这种方法显著提升了制药研究中的环保分析实践.
- 该研究与联合国十项可持续发展目标 (UN-SDGs) 保持一致,强调其全球相关性和创新潜力.
