基于机器学习开发一种新的鲁棒方法来提高奥沙普嗪作为非甾体抗炎药的溶解度

作者：黄勇 北京积水潭医院

准确确定药物的溶解度是适当管理超临界浸渍过程的一项重要活动。在过去的几十年中，超临界流体（SCFs）（主要是CO2）的应用已成为一种很有前途的解决方案，以克服传统方法的局限性，包括高毒性、难以控制、高成本和低稳定性。Oxaprozin是一种有效的非专利非甾体抗炎药（NSAID），广泛用于慢性肌肉骨骼疾病（如类风湿关节炎）患者的疼痛管理。在本文中，作者的主要目的是预测并优化Oxaprozin在CO2SCF中的溶解度。为此，作者采用了两个基本模型，并使用Adaboost集成方法对其进行了改进。基本模型包括高斯过程回归（GPR）和决策树（DT）。我们使用标准度量对它们的超参数进行了优化和评估。增强DT的MAE错误率、R2评分和MAPE分别为6.806E-05、0.980和4.511E-01。此外，增强GPR的R2得分为0.998，MAPE误差为3.929E-02，而MAE的错误率为5.024E-06。因此，增强GPR被选为最佳模型，最佳值为：（T = 3.38倍 + 02，第页 = 4.0倍 + 02，溶解度 = 0.001241).
最近，人们进行了大量努力，以找到各种有效且有前景的技术，以适当解决或至少缓解制药行业前所未有的挑战，如药物溶解度低、生产率不可接受以及研发成本不断增加。Oxaprozin（品牌名称Daypro）是一种著名的非甾体抗炎药（NSAID），适用于患有类风湿性关节炎、强直性脊柱炎和软组织疾病的成年患者的疼痛/肿胀治疗。微粒体氧化和葡糖醛酸结合被认为是肝脏中奥沙普嗪初级代谢的主要过程。这种药物在肝脏中的代谢导致酯和醚葡糖醛酸形成为主要的共轭代谢产物。可管理的安全性、高效性、低肝毒性和适当的成本使奥沙普嗪成为缓解慢性肌肉骨骼疾病患者疼痛的黄金NSAID 。
应用新的方法来增加药物的不良溶解度是解决制药行业挑战之一的一个有吸引力的方法。最近，超临界流体（SCF）用于处理治疗剂为制药科学家提供了合适的机会。这种类型的流体在不同的科学领域具有巨大的应用潜力，包括药物输送、色谱和提取。在各种SCF中，超临界二氧化碳（SCCO2）推荐了各种有趣的技术优势，如低毒性、可忽略的可燃性和环境友好特性，这可能导致常用有机溶剂的应用显著减少。除了不同的工业应用外，使用SCCO2的颗粒微粉化是制备具有受控尺寸和纯度的微/纳米颗粒的一种新颖且有前途的方法。
使用人工智能（AI）方法预测药物溶解度目前已作为验证从实验研究中获得的实际数据的一个值得注意的选项而受到关注。通过该技术为不同行业（即分离、纯化、提取和药物输送）开发预测模型和模拟，可以大大减少计算时间，并保证所进行实验结果的准确性。
计算机可以从数据中学习而无需明确编程，使用一类称为机器学习（ML）的人工智能技术。机器学习寻求开发元程序，处理实验收集的数据，并将其应用于训练模型，以预测未知的未来输入。集合方法也是一类ML方法，它使用几个基本模型来实现预测的更高精度和通用性。
当多个弱估计器组合在一起产生一个鲁棒估计器时，它被称为“boosting”。由于boosting所采用的顺序逻辑，每个弱估计员都会对其继任者产生直接影响。特别是AdaBoost17是一种典型的增强算法，它使用重新加权的训练数据来逐步获得弱分类器。决定使用Adaboost程序来修改两个基数估计的效率，作为本研究的基础。选择决策树和高斯过程回归作为基本模型。
决策树使用特征集提出一系列问题，例如“等于”或“大于”，并根据提供的答案，要求另一个问题作出回答。重复相同的程序，直到没有收到进一步的询问，直到获得结果。数据不断地被分成二进制组件，从而使决策树得以增长。为了评估所有属性的划分，使用随机性度量。
此外，对于勘探和开发，高斯过程回归是一种非参数贝叶斯建模技术。该方法的主要盈利能力是对输入变量做出可靠响应的能力。它可以通过使用可行的无限数量的输入特征来描述特征和目标之间的广泛交互，并允许数据通过贝叶斯推理来定义复杂性水平。