深共晶溶剂（DES）萃取与水两相体系（ATPS）纯化黑玫瑰果生物活性化合物

《Journal of Molecular Liquids》：Deep eutectic solvent (DES) extraction and aqueous two-phase system (ATPS) purification of black rosehip berry bioactive compounds

本研究通过机器学习模型快速筛选水杨苷氢氯酸盐（SH）的深共熔溶剂（DES）配体，解决其高结晶性和水溶性差的问题。采用六种机器学习算法构建预测模型，成功筛选出柠檬酸作为适配配体，并通过实验验证形成稳定DES。该模型为优化药物递送系统提供了高效工具。

　　在本研究中，科学家们关注的是如何利用机器学习技术快速筛选出适合与中药成分盐酸吗啡碱（SH）形成深共熔溶剂（DES）的配体。这项研究的意义在于解决传统药物制剂中SH因高水溶性而难以直接用于缓释制剂的问题，同时克服其高结晶性在制备过程中的障碍。深共熔溶剂因其天然、绿色、环保的特性，被视为制药领域中一种有前景的中间介质。然而，由于DES配体的筛选过程通常需要大量的实验和时间，因此开发一种高效的筛选方法成为研究的重点。

为了实现这一目标，研究团队收集了来自已发表文献和CCDC数据库的DES正负样本，并使用Python计算了所有样本的分子描述符。根据文献经验，他们选择了19个分子描述符作为模型的变量，并构建了基于六种不同算法的机器学习分类模型。这些模型经过随机搜索和网格搜索优化超参数，再利用分层抽样划分的数据集进行训练，最终得到模型的预测结果。通过这一过程，研究团队成功地筛选出适合与SH形成DES的配体，并在实验中验证了其可行性。

研究中所选的DES配体包括甘油酸、烟酰胺、尿素、丙二酸、琥珀酸、富马酸、苯甲酸和柠檬酸等。这些配体具有不同的化学性质和结构，因此在与SH结合时可能会产生不同的相互作用。通过机器学习模型的预测，研究团队能够快速识别出其中最适合的配体，从而减少实验的次数和成本。最终，他们成功地制备了由SH和柠檬酸组成的DES，比例为SH:柠檬酸:乙醇 = 0.95:2.52:1.00。该DES的分子结构通过图示展示，同时利用核磁共振和傅里叶变换红外光谱进行了表征。

在实验过程中，研究团队发现，通过机器学习模型筛选出的DES配体不仅能够有效降低SH的结晶性，还能提升其在药物制剂中的稳定性。这种稳定性对于药物的长期保存和使用至关重要。此外，研究团队还观察到，DES的形成过程能够显著改变药物的物理和化学性质，例如溶解性、粘度和极性等。这些性质的变化使得DES在药物制剂中具有更大的灵活性和适应性。

通过本研究，科学家们展示了一种基于分子描述符的机器学习模型在DES配体筛选中的应用。该模型不仅能够提高筛选效率，还能提供准确的预测结果，为药物制剂的优化提供新的思路。此外，该研究还强调了机器学习在现代药物设计中的重要性，特别是在处理复杂化学相互作用和变量方面的能力。与传统的分子动力学模拟方法相比，机器学习方法能够更快速地提供最优的药物设计解决方案，这在制药领域中具有显著的优势。

本研究的成果表明，通过机器学习技术，可以有效地解决DES配体筛选中的问题，从而为制药领域带来新的突破。研究团队的贡献不仅在于开发出一种新的筛选方法，还在于通过实验验证了其可行性，并展示了其在实际应用中的潜力。此外，该研究还为未来的药物设计和制剂优化提供了理论依据和技术支持，为制药行业的发展注入了新的活力。

在研究过程中，科学家们还关注了数据质量和模型适应性的问题。为了提高模型的准确性，他们对收集的数据样本进行了筛选，确保其符合特定条件。这些条件包括：所有样本必须由两个化学性质不同的多原子单元组成；每个化学单元中不能含有金属原子；所有化学单元必须为小分子，并且以固态形式存在。通过这些筛选标准，研究团队能够确保数据的可靠性，从而提高模型的预测能力。

在模型预测结果和实验结果的对比中，研究团队发现，机器学习模型的预测结果与实验结果高度一致。这表明该模型在DES配体筛选中的应用具有较高的准确性。此外，研究团队还发现，通过机器学习模型筛选出的配体在与SH结合时能够产生最佳的相互作用，从而提高DES的稳定性和性能。这些结果不仅验证了模型的有效性，也为未来的药物制剂研究提供了重要的参考。

本研究的结论强调了机器学习在药物设计和制剂优化中的重要性。与传统的分子动力学模拟方法相比，机器学习方法能够更快速地提供最优的药物设计解决方案，这在制药领域中具有显著的优势。此外，研究团队还指出，随着数据的不断积累和技术的进步，机器学习方法将在未来发挥更大的作用，成为药物设计和制剂优化的重要工具。

本研究的贡献不仅在于开发出一种新的筛选方法，还在于通过实验验证了其可行性，并展示了其在实际应用中的潜力。研究团队的工作为制药领域带来了新的思路和方法，为药物制剂的优化提供了理论依据和技术支持。此外，该研究还为未来的药物设计和制剂研究提供了重要的参考，为制药行业的发展注入了新的活力。

在研究过程中，科学家们还关注了如何将机器学习方法与制药领域的实际需求相结合。他们认为，通过机器学习模型，可以更好地理解和预测药物与配体之间的相互作用，从而提高药物制剂的效率和效果。此外，他们还指出，机器学习方法在处理复杂化学问题时具有更高的灵活性和适应性，这使得其在制药领域中具有更大的应用潜力。

本研究的成果表明，通过机器学习技术，可以有效地解决DES配体筛选中的问题，从而为制药领域带来新的突破。研究团队的工作不仅提高了筛选效率，还为药物制剂的优化提供了新的思路。此外，该研究还为未来的药物设计和制剂研究提供了重要的参考，为制药行业的发展注入了新的活力。

在未来的药物设计和制剂研究中，机器学习方法的应用将更加广泛。科学家们认为，随着计算能力的提升和数据的积累，机器学习方法将在药物筛选、制剂优化和新药开发等方面发挥更大的作用。此外，他们还指出，机器学习方法的灵活性和适应性使其能够更好地应对制药领域中的复杂问题，从而提高药物制剂的效率和效果。

本研究的成果不仅为制药领域提供了新的工具和方法，还为未来的药物设计和制剂研究提供了重要的参考。科学家们相信，随着技术的不断进步，机器学习方法将在制药领域中发挥更大的作用，成为药物设计和制剂优化的重要手段。此外，他们还指出，机器学习方法的广泛应用将有助于推动制药行业的发展，提高药物制剂的效率和效果，为患者提供更好的治疗方案。

总之，这项研究通过机器学习方法，成功地解决了DES配体筛选中的问题，为制药领域带来了新的突破。研究团队的工作不仅提高了筛选效率，还为药物制剂的优化提供了新的思路。此外，该研究还为未来的药物设计和制剂研究提供了重要的参考，为制药行业的发展注入了新的活力。