基于机器学习的洞察力,了解聚合物微针阵列补丁的机械性能
Xue Yao Liew1, Jing Yi Lee2, Jia Yee Ong2
1School of Computer Sciences, Universiti Sains Malaysia, 11800, USM, Penang, Malaysia.
概括
机器学习模型使用文献数据预测微针阵列补丁机械性能. 这种方法通过确定关键的配方因素,简化了通过皮肤递送药物系统的开发.
科学领域:
- 制药科学 制药科学
- 材料科学 材料科学 材料科学
- 生物医学工程 生物医学工程
背景情况:
- 微针阵列补丁 (MAP) 对于通过皮肤递送药物至关重要,需要强大的机械性能才能穿透皮肤.
- 预测MAP机械性能是必不可少的,但具有挑战性,需要有效的配方开发方法.
- 人工智能和机器学习 (ML) 为加速制药研究和减少实验努力提供了有希望的解决方案.
研究的目的:
- 应用ML算法来预测聚合物MAP的机械性质.
- 为了利用文献挖掘的数据来开发MAP机械性能的预测模型.
- 确定影响MAP机械行为的关键配方参数.
主要方法:
- 从148个出版物中提取数据,包括313种独特的配方.
- 应用各种ML算法,包括梯度提升,以预测机械性能,如故障力和皮肤插入.
- 专注于预测体外皮肤插入,由于有限的ex vivo数据可用性.
主要成果:
- 渐变增强成为预测失效力 (±0.467 N误差) 和体外皮肤插入 (±7.781%误差) 的最有效的ML模型.
- 发现的关键预测因素包括微针尺寸 (针间距,高度,体积),聚合物含量和分子量.
- 该研究成功地使用现有文献数据证明了ML模型的预测能力.
结论:
- 机器学习模型可以从文献数据准确地预测聚合物MAP的机械特性.
- 这种方法有助于简化开发有效的透皮药物输送系统.
- 了解微针设计和材料性能的影响对于优化MAP性能至关重要.
