双氯芬酸钠是一种著名的非甾体抗炎药（Non-Steroidal Anti-Inflammatory Drug, NSAID），其持续释放特性至关重要，因为它能够长时间维持治疗所需的血浆浓度。这种缓释方式增强了治疗效果，同时降低了与峰值浓度相关的不良反应风险，如胃肠道出血和肾功能损伤[1]。双氯芬酸钠的抗炎作用源于其抑制环氧化酶（Cyclooxygenase, COX）的能力，从而减少促炎前列腺素的合成[2]。最新研究表明，缓释制剂通过持续提供药物，有效管理慢性炎症疾病，从而提高患者依从性和治疗效果[3]。
双氯芬酸钠具有显著的镇痛、抗炎和退热作用，这归功于其对COX酶的选择性抑制。然而，其治疗应用受到明显副作用的阻碍，包括胃肠道毒性和心血管风险，主要是由于传统制剂的全身性质。此外，该药物的溶解度特性也带来了挑战，因为不同的吸收速率会影响其疗效[1]。因此，开发能够缓解这些限制并提高生物利用度的药物输送系统对于充分发挥其治疗潜力至关重要。
基于聚合物的基质，特别是通过微囊化技术，在口服药物输送中得到了广泛应用。微囊化技术具有显著优势，如保护药物免受降解、控制释放动力学和减少副作用[4]。多种生物聚合物，包括藻酸钠（Alg）和阿拉伯胶（GA），因其生物相容性和根据环境条件调节药物释放的能力而被用于微胶囊的制备[4]。藻酸钠的独特性质，如在钙离子存在下形成凝胶，有助于开发具有缓释特性的微胶囊，这对双氯芬酸钠的持续输送特别有利[1]。
简单的共凝聚（coacervation）技术，尤其是使用藻酸钠，是微囊化药物的常用方法。微胶囊的膨胀和释放动力学受pH值、离子强度和聚合物浓度等配方参数的显著影响。对于双氯芬酸钠微胶囊而言，pH值的变化会触发膨胀行为，较高的pH值会导致聚合物水合作用增强和药物释放速率增加[5]。理解这些参数对于优化微囊化过程以实现所需的治疗释放曲线至关重要。
数学建模是药物科学中的重要工具，可揭示聚合物系统中药物释放的动力学特性。常用的模型，如Higuchi模型和Korsmeyer-Peppas方程，有助于根据扩散和聚合物降解等因素表征释放机制[6]。然而，这些模型在预测复杂生物相互作用和环境影响方面存在局限性[7],[8],[9]。将实验数据与数学模型结合使用，可以提高预测能力，从而优化微囊化药物的配方设计。
机器学习（Machine Learning, ML）已成为药物输送领域的变革性技术，能够分析大量数据以识别指导配方策略的模式。ML模型通过整合多种参数，准确预测药物释放曲线，从而优化微囊化过程[10]。例如，在双氯芬酸钠微胶囊的开发中，ML技术可以有效地将实验变量与观察到的药物释放行为关联起来，加快配方过程并减少试错次数[11],[12]。这种整合不仅提高了药物输送系统的效率，还有助于个性化医疗的发展。
尽管传统的统计方法（如多元线性回归和响应面方法）在药物配方开发中得到广泛应用，但ML在模拟复杂药物释放系统方面具有明显优势。在本研究中，选择ML而非传统统计方法有多个原因：首先，药物从聚合物基质的释放涉及非线性现象，包括浓度依赖的扩散、pH值引发的膨胀和时间依赖的聚合物松弛，这些现象无法通过线性模型或预先指定的多项式函数充分描述。XGBoost等集成方法无需机械假设即可自动学习这些非线性关系。其次，ML能够进行全面的功能重要性分析，量化每个配方参数（如藻酸钠、阿拉伯胶、氯化钙、药物负载量、搅拌速度）对释放动力学的相对贡献，从而指导合理的配方设计。第三，训练后的ML模型可以快速进行计算机预测，覆盖整个设计空间，便于高通量筛选候选配方并减少实验负担。第四，ML预测结果可以补充基于机制的动力学模型（如Korsmeyer-Peppas、Weibull模型），提供经验插值工具，连接离散的实验点。最后，ML框架易于扩展到多目标优化和不确定性量化，支持药物开发中的质量设计（Quality-by-Design, QbD）策略[13],[14]。因此，将ML与实验表征相结合，是一种实用的数据驱动策略，有助于加速微胶囊配方的优化。
本研究专注于使用藻酸钠和阿拉伯胶制备的双氯芬酸钠微胶囊的优化，通过ML模型分析配方参数与药物释放曲线之间的关系。通过将实验数据整合到预测模型中，本研究旨在深入理解聚合物浓度和交联条件等因素对药物释放的影响[15]。初步结果表明，利用ML可以显著提高微囊化系统的可预测性和效率，最终改善治疗效果并减少副作用[16]。
