图纳-AI:一种混合内核机器,用于设计可调节的纳米粒子,用于药物输送

科学领域:

• 生物技术和生物纳米技术
• 材料科学 材料科学 材料科学
• 计算化学计算化学

背景情况:

• 目前的纳米粒子开发往往可以独立优化材料选择或组件比率.
• 同时优化材料选择和成分比率对于高效的纳米粒子配方至关重要.
• 现有的方法缺乏系统的方法来探索复杂的纳米粒子配方空间.

研究的目的:

• 开发一个集成的平台,结合自动化实验和机器学习,同时优化纳米粒子配方.
• 创建一个新的混合内核机器学习模型,以更好地预测配方结果.
• 证明该平台在制造具有挑战性的药物分子和优化现有配方方面的有效性.

主要方法:

• 集成自动化液体处理平台与机器学习算法.
• 创建一个包括1275个不同的纳米粒子配方的综合数据集.
• 开发一个定制的混合内核机器,将分子特征学习和组成推理结合起来.
• 使用支持向量机器 (SVM) 与新型内核进行预测和指导.

主要成果:

• 通过组合优化,成功的纳米粒子形成实现了42.9%的增加.
• 混合内核显著提高了基于内核的算法的预测性能,SVM显示出优异的结果.
• 成功配制了venetoclax,改善了对白血病细胞的体外疗效.
• 在特拉美提尼布配方中减少了75%的辅助剂使用,同时保持了疗效和药物动力学特性.

结论:

• 这项研究建立了一个可通用的AI驱动的框架,用于加速纳米粒子组成优化.
• 集成平台可以同时优化材料和比例,克服传统方法的局限性.
• 这种方法在推进基于纳米粒子的药物输送系统方面具有重大潜力.