在超临界二氧化碳中对药物溶解性的高准确性预测用于制药应用,使用先进的计算建模
Hashem O Alsaab1, Saeed Shirazian2
1Department of Pharmaceutics and Pharmaceutical Technology, Taif University, Taif 21944, Saudi Arabia.
这项研究引入了一个优化的集体机器学习模型,用于预测在超临界二氧化碳 (SCCO2) 中的药物溶解度. 该框架准确地估计了溶解度,改善了制药配方和绿色加工.
科学领域:
- 计算化学是一种计算化学.
- 机器学习 机器学习
- 制药工程 制药工程 制药工程
背景情况:
- 在超临界二氧化碳 (SCCO2) 中准确估计药物溶解度对于制药配方,分离过程和绿色技术至关重要.
- 传统方法在不同的热力学条件下 (温度,压力) 难以处理影响溶解度的复杂非线性相互作用.
研究的目的:
- 开发一个强大的,准确的计算框架来估计在SCCO2.2中的药物溶解度.
- 为了利用整体机器学习和生物灵感优化,提高预测能力.
主要方法:
- 一个整体框架,结合了极端梯度增强回归 (XGBR),轻梯度增强回归 (LGBR) 和CatBoost回归 (CATr).
- 使用人工原生动物优化器 (APO) 和河马优化算法 (HOA) 的集合模型优化.
- 利用了110个实验样本的数据集,包括四种药物的温度,压力,分子量和点.
主要成果:
- 优化组合模型 (XGBR + LGBR + CATr优化HOA) 实现了高预测精度,R2 = 0.9920和RMSE = 0.08878.
- 通过k-fold交叉验证确认了模型的稳定性,并使用SHAP和FAST灵敏度分析评估了可解释性.
- 引导被用来生成预测间隔,增加模型的可靠性,用于实际应用.
结论:
- 优化的集体学习有效地捕捉了SCCO2.2中的非线性可溶性行为.
- 开发的计算框架为制药工程和绿色药物加工提供了可靠的工具.
- 这种方法提高了药物溶解性的预测,促进了药物配方和可持续技术的进步.
更多相关视频
09:05Supercritical Nitrogen Processing for the Purification of Reactive Porous Materials
Published on: May 15, 2015
07:31Author Spotlight: Advancing Cell Membrane Biophysics - Exploring Interactions and Challenges Through Experimental and Computational Approaches
Published on: September 1, 2023
相关概念视频
Supercritical Fluid Chromatography
SFC utilizes a supercritical fluid mobile phase,...
Bioavailability Enhancement: Drug Solubility Enhancement
Factors Affecting Dissolution: Drug pKa, Lipophilicity and GI pH
A drug's pKa and the pH of the gastrointestinal (GI) tract play crucial roles...
Factors Affecting Solubility
Factors Affecting Dissolution: Drug Permeability, Stability and Stereochemistry
Theories of Dissolution: The Danckwerts' Model and Interfacial Barrier Model
