基于机器学习与优化技术预测速崩片崩解时间的研究框架

推荐 为解决速崩片（FDT）崩解时间（TDT）预测精度不足的问题，研究人员结合多任务Lasso（MTL）、弹性网络（EN）及堆叠集成模型，并采用萤火虫优化算法（FFA）进行超参数调优。结果表明，堆叠集成模型预测性能最优，R2达0.9825，显著降低误差并揭示湿化时间等关键影响因素，为制剂优化提供新框架。

　　

论文解读
研究背景与问题提出
速崩片（FDT）因快速溶解特性在制药领域备受关注，但其崩解时间（TDT）受分子特性、物理属性及辅料组成等多因素影响，传统实验测定耗时且繁琐。为提升预测效率，研究者需开发高精度模型以量化各因素对TDT的影响。

研究方法与技术
本研究采用多任务Lasso（MTL）、弹性网络（EN）及堆叠集成模型，结合萤火虫优化算法（FFA）进行超参数调优。数据集包含近2000个样本，涵盖分子量、硬度、润湿时间等78项特征，经Z-score标准化及异常值剔除后用于训练。

研究结果

1. 模型性能对比

   • 堆叠集成模型在测试集上R2达0.9825，显著优于MTL（0.8815）和EN（0.8017）。
   • 其RMSE为6.6184，MAE为2.0201，均低于其他模型。

2. 关键影响因素

   • 润湿时间被识别为首要影响因素，其次为硬度。高润湿时间延长TDT因液体渗透延缓，而高硬度导致机械强度增加，同样阻碍崩解。

3. 模型解释性

   • 特征重要性分析显示，辅料组成（如微晶纤维素）及制剂特性（如孔隙率）亦显著影响TDT。

研究结论与意义
本研究提出结合机器学习与优化技术的预测框架，显著提升TDT预测准确性。堆叠集成模型通过整合MTL与EN的优势，有效处理多重共线性并捕捉非线性关系。润湿时间的关键作用为制剂设计提供新方向，即通过调控辅料比例或工艺参数优化崩解性能。该框架具备可扩展性，未来可应用于其他药物释放过程建模。

论文发表信息
本研究发表于《European Journal of Pharmaceutical Sciences》，为速崩片制剂开发提供了兼具理论与实践价值的工具。