机器学习引导的微流体优化临床灵感的脂质体用于纳米医学应用程序
Giorgio Buttitta1, Leonardo Lavagna2, Simone Bonacorsi3
1Department of Drug Chemistry and Technologies, University of Rome "La Sapienza", P.le A. Moro 5, 00185 Rome, Italy.
International journal of pharmaceutics
|November 6, 2025
概括
机器学习通过优化生产参数来加速脂质体发育. 这种以数据为导向的方法简化了流程,提高了可重复性,并使纳米制药制造的高效扩展成为可能.
科学领域:
- 纳米医学和制药科学 纳米医学和制药科学
- 计算化学和药物设计
- 生物技术和生物医学工程 生物技术和生物医学工程
背景情况:
- 脂质体对于药物输送至关重要,增强溶解性,稳定性和生物可用性.
- 目前的脂质体开发是复杂的,耗时的,需要广泛的实验优化.
- 机器学习 (ML) 为加速和优化脂质体生产提供了一个有前途的途径.
研究的目的:
- 应用ML算法以优化使用微流体平台的脂质体生产.
- 根据关键过程参数和质量属性,开发脂质体特征的预测模型.
- 创建一个开源的模拟工具,用于虚拟探索配方空间和实验设计.
主要方法:
- 利用微流体生产平台产生脂质体.
- 研究了300多个实验条件来训练ML模型.
- 开发了脂质体颗粒大小和多分散性指数的预测模型.
- 通过独立的湿实验室实验验证实了ML模型.
主要成果:
- 开发了脂质体特征的预测性ML模型,使得数据驱动的优化成为可能.
- 创建了一个开源的模拟工具,用于虚拟的空间探索和实验设计.
- 证明了强大的模型性能和适应性,即使在资源限制下.
- 通过ML引导的优化实现了高效和可复制的脂质体生产.
结论:
- 机器学习显著简化了脂质体的发展,提高了效率和可重复性.
- 开发的ML模型和模拟工具支持数据驱动的决策和具有成本效益的扩展.
- 这种方法符合设计质量原则,促进向商业制造过渡和推进纳米医学.
- 这些发现突显了ML在制药开发和监管合规方面的变革潜力.
