解析配方复杂性：统计、机器学习与人工智能模型在智能纳米储库（iNDEP）设计中的对比表现

《AAPS PharmSciTech》：Decoding Formulation Complexity: Comparative Performance of Statistical, Machine Learning, and Artificial Intelligence Models in Intelligent Nano Depot (iNDEP) Design

　　

摘要

人工智能（AI）和机器学习（ML）越来越多地被用于改进药物制剂开发中的预测建模和优化。本研究使用基于PLGA-mPEG的智能纳米储库（iNDEP）实验生成的数据集，对比了传统统计方法与AI/ML模型在预测性能上的差异，该iNDEP是一种用于缓释共递送美金刚盐酸盐（MH）和加兰他敏氢溴酸盐（GH）的智能成库长效注射系统。采用包含17个实验配方数据集的中央复合设计（CCD）来开发预测模型。通过测量累积药物释放百分比（CDR）、植入体形成时间和粒径，确定PLGA-mPEG、司盘80和吐温80的影响。采用实验设计（DoE）、基于SPSS的多重线性回归（MLR）、人工神经网络（ANN）以及Orange数据挖掘和KNIME分析平台中的ML工作流来生成预测模型。使用均方根误差（RMSE）、均方误差（MSE）和决定系数（R²）来评估模型性能。基于DoE开发的模型拟合良好，R²值范围为0.9882至0.9916。使用SPSS的MLR模型对%CDR响应预测效果极佳（R² = 0.866–0.951）。ANN模型成功捕捉了配方与响应之间的非线性关系。ML工作流分析表明，不同算法的性能因响应变量而异，没有一个模型在所有响应中均表现良好。传统统计方法和AI预测方法互为补充。将DoE与基于AI和ML的建模相结合，为提高预测准确性和指导药物制剂的配方与优化提供了全面工具。