在结肠粘液中研究纳米和微尺度粒子扩散的机器学习框架

科学领域:

• 生物材料科学
• 药物输送系统
• 病理学

背景情况:

• 开发人工粘液模型对于临床前药物扩散研究至关重要,特别是对于纳米和微量级颗粒的结肠输送.
• 原生粘液的特征及其对粒子扩散的影响是复杂和具有挑战性的.
• 需要有效可靠的人造粘液替代品来简化药物开发.

研究的目的:

• 提出一个基于机器学习 (ML) 的框架,集成用于粘液中的颗粒扩散指纹的微风学特征.
• 描述纳米和微尺度粒子扩散模式,并评估粘液微风学的影响.
• 评估人工粘液模型与本地结肠粘液的相似性.

主要方法:

• 在天然猪粘液和两个人造粘液模型中研究光标记的聚乙烯颗粒 (100-1000 nm) 的扩散.
• 提取了20个基于轨迹的特征,包括微观学参数.
• 应用了七个监督的ML模型进行分类,其中梯度增强显示了最高的准确性;SHapley添加剂测试确定了关键特征.

主要成果:

• 基于颗粒扩散模式和微风学特性,ML框架成功区分了粘液模型.
• 合性被确定为区分粘液模型的最有影响的特征.
• 较小的负电荷纳米粒子在本地粘液中表现出更高的移动性;较大的粒子由于粘液弹性而面临更大的限制.
• 基于基乙 (HEC) 的人工粘液与基于聚烯酸的模型相比,更接近天然猪粘液.

结论:

• 基于ML的扩散指纹方法有效地描述了粘液的微观结构和质性质.
• 这种方法支持在药物输送研究中选择基于HEC的人工粘液作为适合本地结肠粘液的替代品.
• 这项研究为评估临床前药物开发中的仿生材料提供了一个强大的平台.