การสร้างแบบจำลองเชิงทำนายด้วยการเรียนรู้ของเครื่องสำหรับการกำหนดสูตรยาอนุภาคขนาดนาโน

แนวทางเชิงระบบสำหรับการวิจัยและพัฒนาผลิตภัณฑ์เภสัชกรรมเป็นสิ่งสำคัญอย่างหนึ่งในกระบวนการควบคุมคุณภาพผลิตภัณฑ์เภสัชกรรมตามที่ต้องการ การเรียนรู้ของเครื่อง (ML) มีศักยภาพในการปฏิวัติด้านนี้โดยการจัดการกับความซับซ้อนและปริมาณข้อมูลยาที่มีมาก ซึ่งจะช่วยเพิ่มประสิทธิภาพและความแม่นยำของผลิตภัณฑ์เภสัชกรรมเพื่อลดต้นทุนสูง ระยะเวลาวิจัยและพัฒนาที่ยาวนาน และเพิ่มประสิทธิภาพของสูตรยา อนุภาคนาโนพอลิเมอร์ (NPs) เป็นผลิตภัณฑ์เภสัชกรรมที่ต้องได้รับการพิจารณาและควบคุมปัจจัยต่าง ๆ อย่างรอบคอบ ทำให้ ML เป็นเครื่องมือที่สำคัญสำหรับการออกแบบและควบคุมลักษณะเฉพาะของผลิตภัณฑ์ วัตถุประสงค์ของการศึกษานี้คือการศึกษาและเปรียบเทียบศักยภาพของแต่ละอัลกอริทึม ML ในการทำนายอนุภาคนาโนบรรจุเรสเวอราทรอล (RES) ที่เหมาะสมที่สุด อนุภาคนาโนบรรจุเรสเวอราทรอล (RES-loaded NPs) ถูกเตรียมด้วยวิธีการตกตะกอนระดับนาโน โดยใช้พารามิเตอร์นำเข้า ได้แก่ ความเข้มข้นของ PAA GT และ P407 รวมถึงความถี่และเวลาของการใช้คลื่นเสียง (sonication) ขณะที่พารามิเตอร์ผลลัพธ์ ได้แก่ ขนาดอนุภาค (PS) การกระจายตัวของขนาดอนุภาค (PDI) ศักย์ไฟฟ้าของอนุภาค (ZP) และ เปอร์เซนต์การบรรจุยา (%DL) อัลกอริทึม ML ถูกใช้เพื่อสร้างโมเดลการทำนาย และเปรียบเทียบประสิทธิภาพของโมเดล ในการสร้างแบบจำลองการทำนายพบว่า อัลกอริทึม Neural network มีประสิทธิภาพมากที่สุดในการทำนายค่า PS PDI และ ZP อย่างแม่นยำ ขณะที่ %DL ทำนายได้ดีที่สุดโดยอัลกอริทึม k-nearest neighbors โดยพิจารณาจากค่า RMSE ต่ำที่สุดและค่า R2 สูงที่สุดหลังจากปรับพารามิเตอร์ของแต่ละอัลกอริทึมแล้ว นอกจากนี้ ความแม่นยำในการทำนายของแต่ละอัลกอริทึมยังคงที่ทั้งกระบวนการตรวจสอบและการดำเนินงาน ความสามารถของโมเดลการทำนายด้วย ML เป็นเครื่องมือที่โดดเด่นในกระบวนการพัฒนาสูตรยาซึ่งช่วยให้สามารถทำนายลักษณะของอนุภาคนาโนภายใต้สภาวะต่าง ๆ ได้อย่างแม่นยำ ดังนั้น ML จึงเป็นเครื่องมือที่มีศักยภาพสูงที่สามารถใช้ขับเคลื่อนกระบวนการผลิตยาในอนาคต