机器学习使用多实验室文献数据预测了亲肠营养中的脂质乳液稳定性

科学领域:

• 制药科学 制药科学
• 计算化学计算化学
• 临床营养学 临床营养学

背景情况:

• 亲肠道营养 (PN) 中的脂质乳液的物理不稳定性存在重大临床安全风险.
• 影响脂质稳定性的因素复杂且不完全理解,需要进一步研究.
• 准确预测PN配方稳定性对于安全的临床实践至关重要.

研究的目的:

• 在PN中量化各种决定因素对脂质乳液稳定性的相对重要性.
• 开发一种机器学习 (ML) 模型,用于预测个性化PN处方中的稳定性.
• 为了解决稳定性研究中的跨实验室数据异质性.

主要方法:

• 一个追溯的元分析整合了多个实验室的实验数据.
• 一个机器学习框架利用转移学习来实现数据协调,并使用SMOTE来缓解不平衡.
• 使用AUC-ROC和准确度指标评估模型性能.

主要成果:

• 该XGBoost模型展示了高预测性能 (准确率:98.2%,AUC:0.968) 使用来自1518个样本的17个稳定性相关特征.
• 确定的主要稳定性决定因素包括氨基酸和酸度,储存时间和脂质组成.
• 该模型成功地解决了跨实验室数据异质性的问题.

结论:

• 本研究提出了第一个可解释的ML框架,用于预测PN的脂质乳液稳定性.
• 开发了一种高精度的预测工具,用于评估PN脂质乳液稳定性.
• 该方法可用于其他复杂药物和营养成分配方的稳定性研究.