使用基于乙醇和基醇15-S表面活性剂的机器学习来预测和分类脂质体释放和稳定性
Jeong Seon Hwang1, Panalee Pomseethong1, Jin-Chul Kim1
1Department of Biomedical Science & Institute of Bioscience and Biotechnology, Kangwon National University, Chuncheon, 24341, Republic of Korea.
Current pharmaceutical design
|March 15, 2026
概括
特尔吉托尔表面活性剂度显著影响脂质体释放比乙醇更多. 机器学习模型可以准确预测药物和化品配方的脂质体稳定性和释放行为.
科学领域:
- 制药科学 制药科学
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
背景情况:
- 脂质体是具有出色生物相容性的多功能药物输送载体.
- 配方添加剂,如乙醇和表面活性剂,可以损害脂质体的稳定性,改变药物释放.
- 了解这些相互作用对于开发稳定有效的脂质体产品至关重要.
研究的目的:
- 开发脂质体释放和稳定性的预测模型.
- 量化乙醇和特尔吉托尔表面活性剂对脂质体行为的影响.
- 应用机器学习来优化脂质体配方设计.
主要方法:
- 使用多个线性回归模型,根据乙醇和特吉托度来预测药物释放.
- 使用3D回归表面可视化非线性相互作用.
- K-最近邻居,逻辑回归和随机梯度下降分类脂质体稳定性.
主要成果:
- 回归模型在预测脂质体释放时显示出高准确度 (R2 0.9611-0.9899).
- 在分类脂质体稳定性方面,逻辑回归产生了最高的准确性 (87.98%).
- 基醇度在释放上表现出比乙醇更显著的影响.
结论:
- 特尔吉托尔度是影响脂质体释放的关键因素,较高的HLB表面活性剂显示相互作用减少.
- 开发的机器学习模型为预测配方结果提供了实用工具.
- 这些模型可以帮助合理设计基于脂质体的制药和化品.


