整合最佳预测模型与混合深度学习,用于涂层金属氧化物纳米粒子药物递送系统
Archana Sasi1, Chandrasekar Venkatachalam1, R Sathish Kumar2
1Department of CSE (AIML), Faculty of Engineering and Technology, JAIN (Deemed - to - be University), Bengaluru, Karnataka, 562112, India.
Computers in biology and medicine
|October 28, 2025
概括
这项研究引入了一种新的深度学习框架,将Aptenodytes Forsteri优化 (AFO) 和鹿狩猎优化 (DHO) 与动态双重深度神经网络 (D3NN) 结合起来,以预测最佳的药物输送纳米系统 (DDNS). DHO-AFO-D3NN模型显著提高了金属氧化物纳米粒子 (MONP) 和药物组合的预测准确度,从而推进了精密医学.
科学领域:
- 纳米技术和材料科学 材料科学
- 计算化学和化学信息学
- 药理学和药物发现
背景情况:
- 精密疗法依赖于高效的药物输送纳米系统 (DDNS).
- 金属氧化物纳米粒子 (MONP) 为DDNS提供了有前途的物理化学特性.
- 鉴定最佳的药物-MONP组合是具有挑战性的,因为复杂的分子相互作用和缺乏预测模型.
研究的目的:
- 开发一个新的框架来预测DDNS的最佳药物-MONP组合.
- 通过改进的预测模型,提高DDNS的设计和治疗效果.
- 利用混合深度学习和优化算法来准确设计药物输送系统.
主要方法:
- 使用Aptenodytes Forsteri优化 (AFO) 和鹿狩猎优化 (DHO) 进行临床前药物测试和MONP数据集的数据预处理.
- 开发一个动态双重深度神经网络 (D3NN),用于预测最好的药物-MONP组合.
- 使用ChEMBL-MONP数据集进行验证,评估分子和物理化学特征.
主要成果:
- 在所有关键指标上,DHO-AFO-D3NN模型显示了与现有的PTML和PTML-ANN模型相比显著的性能增长.
- 实现了3.82% (vs. PTML-RF) 和2.49% (vs. PTML-LNN) 的精度改进,同时显著提高了灵敏度,精度,F测量,特异性和AUROC分数.
- 该模型的卓越性能凸显了其准确识别目标的能力,并减少了DDNS设计中的错误.
结论:
- DHO-AFO-D3NN框架有效地预测了先进的药物输送纳米系统 (DDNS) 的最佳药物-MONP组合.
- 该模型的增强预测能力促进了复杂的药物输送系统的高效设计,这对精准医学至关重要.
- 这种方法有望提高治疗效率,加快下一代药物输送解决方案的开发.
