序列性的极端梯度增强基于描述符的缩小用于Zwitterionic基于聚合物的纳米粒子的大小预测

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学计算化学
• 药物运输 药物运输 药物运输

背景情况:

• 复合聚合物 (ZP) 在药物输送系统 (DDS) 中至关重要.
• 控制基于ZP的DDS的大小对于有效性至关重要.
• 需要了解对ZP自组装和尺寸的结构影响.

研究的目的:

• 为了调查结构描述符如何影响基于zwiwterionic聚合物的药物输送系统的尺寸.
• 开发和验证用于预测纳米粒子大小的机器学习方法.
• 确定控制ZP自组装和尺寸的关键结构特征.

主要方法:

• 开发了一种新的描述符减少策略,即Sequential XGBoost (SXGB),旨在将312个分子描述符简化为11个关键特征.
• 机器学习模型,包括SXGB,在一个精心策划的数据集上进行训练和测试.
• 局部可解释的模型不可知解释 (LIME) 用于描述器可解释性,数据增强增强了模型的稳定性.

主要成果:

• 该SXGB模型在预测纳米粒子大小方面取得了很高的准确性,R2值为84.2% (训练) 和80.9% (测试).
• 确定pH值是影响zwitterionic聚合物纳米粒子大小的最有影响力的描述因素.
• 在预测准确度方面,SXGB模型的表现优于支持向量回归和随机森林模型.

结论:

• 该SXGB机器学习方法有效地预测药物输送应用中的zwitterionic聚合物纳米粒子大小.
• 结构描述符,特别是pH值,显著影响纳米粒子自组装和最终尺寸.
• 这项研究提供了一个强大的计算框架,用于设计优化的基于ZP的药物输送系统.