计算机器学习估计在不同温度下使用组合方法在超临界溶剂中的数字毒素溶解度
Hadil Faris Alotaibi1, Waqed H Hassan2,3, Ahmed Kateb Jumaah Al-Nussairi4
1Department of Pharmaceutical Sciences, College of Pharmacy, Princess Nourah Bint AbdulRahman University, 11671, Riyadh, Saudi Arabia. Hfalotaibi@pnu.edu.sa.
这项研究使用集体机器学习模拟了在超临界二氧化碳 (CO2) 中的数字毒素溶解度. AdaBoost-GPR模型准确地预测了溶解度和溶剂密度,突出了计算方法的力量.
科学领域:
- 计算化学是一种计算化学.
- 化学工程是化学工程的组成部分.
- 机器学习应用程序 机器学习应用程序
背景情况:
- 超临界流体技术对于药物溶解性至关重要.
- 在超临界溶剂中准确预测药物溶解度对于过程优化至关重要.
- 在超临界CO2中的数字毒素溶解性提出了复杂的建模挑战.
研究的目的:
- 开发和验证集体机器学习模型,用于预测超临界CO2中的数字毒素溶解度和溶剂密度.
- 探索AdaBoost,贝叶斯回归,高斯过程回归和K-最近邻近算法的有效性.
- 通过使用Sailfish优化器进行超参数调整来优化模型性能.
主要方法:
- 利用集体方法,特别是AdaBoost,将贝叶斯回归,高斯过程回归和K-最近邻居的预测结合起来.
- 使用Sailfish优化器进行超参数调整,以提高预测准确度.
- 经过训练和验证的模型使用温度和压力作为输入参数来预测数字毒素溶解度和溶剂密度.
主要成果:
- 结合高斯过程回归 (ADA-GPR) 模型的AdaBoost实现了可溶性 (7.74%) 和溶剂密度 (2.76%) 的最低平均绝对相对偏差 (AARD%).
- 在预测超临界流体性质方面,集体方法在预测超临界流体性质方面表现优于单个模型.
- 验证了超参数优化在提高机器学习模型准确性的有效性.
结论:
- 组合方法,特别是ADA-GPR,对于在超临界CO2中准确建模数字毒素溶解度和溶剂密度非常有效.
- 使用Sailfish优化器进行超参数调整,大大提高了这些模型的预测能力.
- 这项研究证实了计算工具用于预测超临界系统中复杂化学性能的实用性.
更多相关视频
08:57Sample Extraction and Simultaneous Chromatographic Quantitation of Doxorubicin and Mitomycin C Following Drug Combination Delivery in Nanoparticles to Tumor-bearing Mice
Published on: October 5, 2017
08:49Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis
Published on: June 20, 2025
相关概念视频
Solubility Equilibria
The...
Chemical and Solubility Equilibria
Solubility Equilibria: Overview
Solubility is important in biological and environmental processes. A notable...
One-Compartment Open Model for IV Bolus Administration: Estimation of Elimination Rate Constant, Half-Life and Volume of Distribution
Theories of Dissolution: The Danckwerts' Model and Interfacial Barrier Model
Solvents
A...
