人工神经网络预测过饱和脂类制剂中过饱和表观程度的初步研究
为了响应机器学习(ML)在制药开发的许多方面的日益增加的应用,这项初步研究研究了ML,使用人工神经网络(ANNs),是否可以从两个过饱和的LBFs (sLBFs)预测过饱和的表观程度(aDS)。与偏最小二乘(PLS)回归模型的精度进行了比较。
平衡溶解度在Capmul MCM和Maisine CC在环境温度和60℃下,得到21种低水溶性药物的aDS比值。这些aDS比值和药物描述符用于训练ML模型。当比较时,人工神经网络优于PLS的sLBFCapmulMC(r20.90 vs. 0.56)和sLBFMaisine信用证(r20.83 vs. 0.62),显示出更小的均方根误差(RMSEs)和残差在训练和测试。
在所有模型中,涉及反应性和电子密度的描述符对预测是最重要的。这项初步研究表明,ML可以用来预测lbf的过饱和倾向,但需要评估更大的数据集才能得出最终结论。
文章信息:Bennett-Lenane, H.;奥谢,摩根大通(J.P.;穆雷,J.D.;式、联合;河中沙洲,r;Kuentz m;人工神经网络预测过饱和脂类制剂中过饱和表观程度的初步研究。制药学2021,13, 1398年。https://doi.org/10.3390/pharmaceutics13091398