基于集成机器学习（XGBoost与随机森林）与遗传算法预测治疗剂脂质体包封效率的关键因素研究

《Nanoscale》：Leveraging ensemble machine learning models (XGBoost and random forest) and genetic algorithms to predict factors contributing to the liposomal entrapment of therapeutics

本研究针对脂质体药物递送系统中治疗剂包封效率（EE%）的关键影响因素预测难题，来自未知机构的研究人员采用集成机器学习方法（结合随机森林、XGBoost和遗传算法），通过对500个数据点的分析，利用可解释人工智能技术揭示了水溶性、粒径、胆固醇/磷脂摩尔比等核心参数对EE%的调控机制，为优化脂质体配方设计提供了智能化解决方案。

　　

脂质体被公认为安全可生物降解的药物递送系统，能将治疗剂精准运抵目标部位。在应用前需对脂质体进行表征，其中包封效率（Entrapment Efficiency, EE%）——即药物被脂质体包裹的百分比——是重要参数，尤其对昂贵药物和原料意义重大。人工智能（AI）与机器学习技术可辅助分析大数据集并预测结果，从而优化药物递送系统特性。本研究采用集成机器学习策略，结合随机森林（Random Forest）、XGBoost和遗传算法（Genetic Algorithm），基于包含500个数据点的数据集，评估了载药特性与载体因素对治疗剂EE%的影响机制，并通过可解释AI（Explainable AI）解读结果。研究发现：对所有药物而言，影响脂质体EE%的关键因素排序为水溶性、粒径、胆固醇/磷脂摩尔比（Cholesterol/Phospholipid Molar Ratio）和药物/脂质摩尔比（Drug/Lipid Molar Ratio）；若仅分析logP > 1的药物，关键因素依次为水溶性、logP、相变温度（Phase Transition Temperature, T_m）和粒径；而对logP < 1的药物，核心因素则为水溶性、胆固醇/磷脂摩尔比、logP和粒径。统计分析证实遗传算法可有效优化树状机器学习模型，该策略有望为不同载药的脂质化参数筛选提供智能化支持。