基于混合深度学习与优化预测模型的涂层金属氧化物纳米颗粒药物递送系统设计研究

《Computers in Biology and Medicine》：Integrating optimal prediction model with hybrid deep learning for coated metal oxide nanoparticle drug delivery systems

本文提出了一种结合 Deer Hunting Optimization (DHO)、Aptenodytes Forsteri Optimization (AFO) 和动态双工深度神经网络 (D3NN) 的混合深度学习框架，用于预测涂层金属氧化物纳米颗粒 (MONP) 药物递送系统 (DDNS) 中的最佳药物-纳米颗粒组合。该模型在 ChEMBL-MONP 数据集上验证，相较于现有 PTML 和 PTML-ANN 模型，在准确度 (Accuracy)、精确度 (Precision)、灵敏度 (Sensitivity)、F-measure、特异度 (Specificity) 和 AUROC 等指标上均取得显著提升，为精准医疗和高效药物递送系统设计提供了计算学解决方案。

　　

结果和讨论 (Results and Discussion)

本节展示了所提出的 DDNS 设计方案与现有方案对比的结果和分析，以证明其有效性。DHO-AFO-D3NN 模型在 Google Colab Pro 中使用 Python 实现，硬件配置为 Intel Xeon 2.2 GHz 处理器、NVIDIA Tesla T4 GPU、25 GB RAM 和 100 GB 存储。关键库包括 TensorFlow、Keras、Scikit-learn 和 Seaborn，以确保高效的模型训练。模型性能使用 ChEMBL-MONP 数据集进行评估，并在关键性能指标上与现有模型进行比较。

结论 (Conclusion)

在本研究中，开发了一种混合深度学习模型，该模型结合了 DHO 和 AFO 优化算法与动态双工深度神经网络 (D3NN)，用于预测药物递送纳米系统 (DDNS) 设计中的最佳化合物。所提供的 DHO-AFO-D3NN 模型基于准确度、精确度、灵敏度、F-measure、特异度和 AUROC 等主要性能指标进行了评估，并与现有模型进行了比较。该模型在所有评估指标上均表现出非常优异的性能，相较于现有最佳模型取得了显著提升。这些结果突显了该模型在加速高效且副作用更少的药物递送系统开发方面的潜力，为精准医疗领域的进步做出了贡献。

CRediT 作者贡献声明 (CRediT Authorship Contribution Statement)

Archana Sasi: 资金获取，形式分析，数据管理，概念化。 Chandrasekar Venkatachalam: 写作-审阅和编辑，写作-初稿，资金获取，数据管理。 R. Sathish Kumar: 形式分析，数据管理，概念化。 V. Jeevanantham: 方法论，调查，资金获取，形式分析，数据管理。

伦理声明 (Ethical Statement)

1. 1.
   本材料是作者原创作品，未在其他地方发表过。
2. 2.
   该论文目前未考虑在其他地方发表。
3. 3.
   该论文真实、完整地反映了作者自己的研究和分析。
4. 4.
   该论文恰当地承认了合著者和合作研究者的有意义贡献。
5. 5.
   结果被恰当地置于先前和现有研究的背景中。
6. 6.
   所有使用的来源都已妥善披露。

利益冲突声明 (Declaration of Competing Interest)

作者声明，他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本报告所报道的工作。