AI 助力纳米药物制备：超临界溶剂中 CP 溶解度的建模与优化

在制药领域，连续制药发展面临挑战。研究人员开展基于人工智能（AI）的纳米药物制备研究，用 AI 估计药物在超临界溶剂中的溶解度。结果显示，GBDT 等模型表现良好，GBDT 的 R2达 0.987 。该研究为纳米药物生产提供新方法。

　　在制药行业，开发连续制药生产工艺是一项重大挑战。传统制药过程中，药物颗粒大小影响药效，减小固体剂型药物颗粒尺寸可提高疗效，超临界处理法作为一种绿色制药途径备受关注。然而，要利用超临界溶剂制备药物纳米颗粒，必须了解药物在不同压力和温度下的溶解度。以往估算药物在超临界溶剂中溶解度的方法，如热力学模型，存在一定局限性，耗时且实验分析复杂。在此背景下，研究人员决定借助人工智能（AI）技术来攻克这些难题，开展相关研究。

吉林农业科技学院中医学院等机构的研究人员，以丙酸氯倍他索（Clobetasol Propionate，CP）为研究对象，开展了基于 AI 的超临界溶剂中药物溶解度的建模与优化研究。他们构建并优化了基于决策树框架的三种集成模型 —— 梯度提升决策树（GBDT）、极端随机树（ET）和随机森林（RF），利用蚁群优化（ACO）算法调整模型超参数，以探究温度和压力对 CP 在超临界二氧化碳中溶解度的影响。研究成果发表在《Scientific Reports》上。

研究人员采用的关键技术方法主要有：利用机器学习（ML）进行建模分析，数据集包含温度、压力两个输入参数以及代表药物溶解度的输出参数，共 45 个观测值；对数据进行预处理，包括异常值分析和数据归一化；运用 ACO 算法优化基于树模型的超参数，进而构建最终模型。

在研究结果部分：

• 模型性能评估：通过对构建的模型进行评估，发现所有最终模型的决定系数（R²）均大于 0.9，结果令人满意。其中，GBDT 模型表现最佳，R²达到 0.987 ，均方根误差（RMSE）最小，为 8.21×10^-3。ET 模型次之，RF 模型相对较弱，但也有可接受的性能。
• 参数影响分析：研究发现温度和压力对 CP 在溶剂中的溶解度变化影响显著。压力会改变超临界溶剂的性质，高压下更多药物可溶解；在较低压力水平，CP 溶解度降低，这与机器学习模型检测到的交叉压力点有关，该现象在以往药物在超临界二氧化碳中的溶解度分析中也有报道。

研究结论和讨论部分指出，AI 技术成功用于估计 CP 在超临界溶剂中的溶解度，并评估了温度和压力对其溶解度变化的影响。基于决策树的集成模型经 ACO 优化后，能有效模拟和分析 CP 溶解度。GBDT 模型在预测 CP 溶解度方面表现最为出色，为纳米药物生产过程中优化工艺参数提供了有力支持，有助于推动绿色制药技术在制药工程领域的发展，为提高药物疗效、改进制药工艺开辟了新的途径，对制药行业的发展具有重要意义。