多阶段机器学习管道用于聚合纳米粒子设计
Rodrigo Fonseca Silveira1, Ingrid Araujo de Santana1, Ana Luiza Lima1
1Laboratory of Food, Drug, and Cosmetics (LTMAC), School of Health Sciences, University of Brasilia (UnB), Brasília, 70910-900, Brazil.
AAPS PharmSciTech
|October 31, 2025
概括
本研究引入了一种机器学习 (ML) 管道,用于预测药物输送系统的纳米粒子形成和大小. 机器学习方法加速了纳米药物研究和配方开发.
科学领域:
- 纳米技术纳米技术
- 药物输送系统 药物输送系统
- 机器学习应用 机器学习应用
背景情况:
- 将机器学习 (ML) 集成到纳米技术中,为合理设计和更快的药物输送系统开发提供了一条道路.
- 目前在这一领域的研究是有限的,并提出方法论上的挑战.
- 纳米粒子配方的开发往往涉及到广泛的实验工作.
研究的目的:
- 介绍一个模块化机器学习 (ML) 管道用于纳米粒子的预测建模.
- 优化纳米沉过程用于药物输送系统,使用异化作为模型药物.
- 为了减少实验工作量,并加强系统的配方开发.
主要方法:
- 开发了一个三步ML管道:对纳米粒子形成的二进制分类,对大小范围的多类分类和对大小精细化的回归.
- 评估的算法包括极端梯度提升,随机森林,人工神经网络 (ANN),通用线性模型和天真贝叶斯.
- 代实验回合与模型重新训练和虚拟配方模拟引导优化.
主要成果:
- 人工神经网络 (ANN) 显示出卓越的性能,在分类和回归任务中实现R2>0.9.
- ML管道准确地预测了纳米粒子大小在广泛范围 (75-768 nm) 内,误差低 (<40 nm).
- 验证证实了该模型的可靠性和对新配方的概括能力.
结论:
- 拟议的ML管道使纳米药物研究中的数据驱动决策成为可能.
- 这种方法支持系统的配方开发,符合质量设计原则.
- 可扩展的框架可以显著加速开发先进的药物输送系统.
