导航深度欧性溶剂景观:实验和机器学习对注射剂,p-酸和咖啡酸的溶解性探索

科学领域:

• 制药科学 制药科学
• 计算化学计算化学
• 机器学习 机器学习

背景情况:

• 确定有效药物成分 (API) 的最佳溶剂对于药物配方至关重要.
• 大量的溶剂-溶解物组合构成了重要的实验障碍.
• 深度环氧化溶剂 (DES) 为传统溶剂提供了有前途的,可调节的替代品.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测酸在DESs中的可溶性.
• 确定最有效的DES系统来溶解特定的API.
• 为了加速新药配方的实验选过程.

主要方法:

• 在各种DES中实验测量API溶解度.
• 使用真实溶剂导体样选模型 (COSMO-RS) 的描述符的nu-Support Vector Regression (nuSVR) 开发ML模型.
• 应用一种新的双目标优化与代特征修剪 (DOO-IT) 方法论用于模型优化.

主要成果:

• 胆化物:三乙烯甘醇 (1: 2 摩尔比) DES 显示出优越的 API 溶解效率.
• 优化的10描述器nuSVR模型对API溶解度具有很高的预测准确性.
• 该DOO-IT方法有效地处理了有限的,高价值的数据集,用于稳健的模型开发.

结论:

• 开发的ML模型作为一个可靠的计算工具,用于指导基于DES的配方中的实验选.
• 这种方法显著加速了对高效药物输送系统的探索和发现.
• 该研究建立了一个可转移的框架,用于在各种化学系统中开发定量结构与属性关系 (QSPR) 模型.