基于多目标贝叶斯优化的复杂制剂快速开发

《Journal of Controlled Release》：Fast-tracking complex formulation development with multi-objective Bayesian optimisation

　　

药物制剂开发通常需要同时优化多个相互依赖的物性，如溶解度、凝胶化温度和粒径，其中改善一个属性可能会损害另一个属性。传统上，这一挑战通过专家直觉指导的试错实验或经验性的实验设计（DoE）方法来解决，这两种方法在输入参数和竞争性目标数量增加时变得低效。研究人员在此提出一种机器学习驱动的策略，用于高效开发复杂药物制剂，并将其应用于一个原位热敏盐酸舍曲林鼻用凝胶的示例。通过使用多目标贝叶斯优化（MOBO），研究人员在仅制备和表征22个样品的情况下实现了关键制剂属性之间的最优权衡，使资源效率甚至可与简单的DoE方法相竞争。MOBO不仅加速了可行解的搜索，还能动态适应含噪声的非线性响应曲面，定量地模拟专家决策。这种噪声感知、约束感知的框架代表了向数据驱动制剂管线迈进的一步，其中机器学习算法指导实验设计。通过在更少的实验中实现接近最优的解，MOBO有潜力将药物研发从经验瓶颈转变为敏捷高效的过程。

论文解读文章

研究背景与意义
在药物制剂开发中，配方优化常涉及多个相互冲突的目标，例如提高溶解度可能降低凝胶化温度的精确性，或增大粒径影响药物释放行为。传统方法依赖试错法或实验设计（DoE），但面对高维设计空间和非线性响应时效率低下。本研究旨在引入多目标贝叶斯优化（MOBO）框架，以加速复杂制剂的开发。研究人员以热敏原位凝胶（thermoresponsive in-situ gel）为载体，优化舍曲林（sertraline）鼻用制剂的溶解度、凝胶化温度（T_gel）和粒径，验证MOBO在有限实验资源下快速找到帕累托最优（Pareto-optimal）解的能力。该研究发表在《Journal of Controlled Release》，揭示了数据驱动优化在药物递送系统设计中的巨大潜力。

主要关键技术方法
研究采用的计算与实验方法包括：1）在硅片中构建数字化框架（in-silico optimization framework），生成具有可控复杂度的合成制剂景观（synthetic formulation landscapes），用于基准测试8种优化方法（如随机采样、拉丁超立方采样（LHS）、Box-Behnken设计、D-最优设计、单目标贝叶斯优化（BO）和多目标贝叶斯优化（MOBO）），并以超体积比（Hypervolume ratio）和反世代距离（IGD）评估性能；2）利用BoTorch和GPyTorch库实现多目标贝叶斯优化算法，其核心为高斯过程回归（Gaussian Process Regression, GP）与q-log噪声期望超体积改进（qLogNEHVI）采集函数，并结合概率约束处理凝胶化温度范围；3）实验验证中，研究人员制备了22个舍曲林鼻用凝胶配方（含4种辅料：泊洛沙姆407（Poloxamer 407, P407）、泊洛沙姆188（P188）、吐温80（Tween 80, T80）和丙二醇（Propylene Glycol, PG）），采用冷法制备，测量溶解度（UV-Vis）、凝胶化温度（试管倒置法）和粒径（动态光散射，DLS）；4）事后分析（post-hoc analysis）拟合高斯过程模型评估预测准确性，并通过长度尺度（lengthscale）解释辅料贡献，同时进行回顾性DoE建模（响应面法、偏最小二乘回归（PLS）和高斯过程回归）对比。

研究结果
2.1 贝叶斯优化在复杂硅片优化任务中优于实验设计
通过500次重复的硅片优化实验，研究人员发现MOBO在超体积比提升、达到90%超体积所需样本数（平均约30个样本）以及平均每样本推进帕累托前沿效率上显著优于所有DoE方法（包括随机采样、LHS、Box-Behnken、D-最优设计和顺序DoE）。MOBO在20个样本内平均发现3.7个帕累托最优解，证明了其在多目标优化中的高效性和稳定性。

2.2 MOBO快速优化热敏原位舍曲林鼻用凝胶
在实验优化中，MOBO从8个初始Sobol采样配方开始，经过5轮迭代共22个样品（每轮3-4个新配方）后，显著提升了药物溶解度（从约0.25-0.4 mg/mL增至约0.54 mg/mL），并成功将9/11的MOBO引导配方维持在28-36°C的临床可接受凝胶化温度窗口内（初始仅3/8），同时粒径迅速降至约20 nm（单一泊洛沙姆胶束预期尺寸），尽管DLS测量存在多峰和异方差噪声。帕累托分析揭示了溶解度与粒径间的权衡，且约束感知优化有效过滤了不可行配方。

2.3 事后分析揭示预测热敏配方胶束尺寸的挑战
高斯过程回归器对溶解度（R²=0.9935）和凝胶化温度（R²=0.9999）的预测精度极高，但对粒径的预测很差（R²=0.0264）。然而，Spearman相关性为0.82，表明模型虽不能精确预测绝对值，但能有效排序样本，这使优化仍可进行。异方差噪声和多模态分布是主要限制，对数变换未能改善预测。

2.4 模型解释揭示辅料在热敏凝胶优化中的作用
通过高斯过程长度尺度分析，研究人员量化了各辅料对目标的相对影响：溶解度主要受PG和P407影响，凝胶化温度主要由P188主导，P407和T80次之，而粒径则强烈依赖P188（48.5%），PG其次（21.6%）。出乎意料的是，T80对粒径影响较小，这挑战了前期假设，说明MOBO能揭示非直观的辅料-物性关系。

2.5 贝叶斯优化与响应面建模服务于不同优化理念
回顾性DoE分析显示，从MOBO自适应采样数据中重建全局响应面模型（RSM、PLS、GP）时，除凝胶化温度外（PLS的R²=0.76），其余目标均表现不佳（R²接近零或负值）。这表明MOBO专注于搜索可行帕累托区域，不追求空间填充，而DoE设计则能提供全局可解释近似，两者针对不同优化哲学。约束处理上前者主动纳入，后者事后识别。

讨论与结论
讨论部分指出MOBO的成功关键依赖于实验数据质量和噪声估计准确性，粒径优化因DLS异方差噪声成为瓶颈。未来可引入方差稳定变换、异方差代理模型或分布式感知目标定义来增强鲁棒性。MOBO框架不限于特定药物或剂型，可延伸至生物制剂缓冲液、透皮系统等。与传统DoE相比，MOBO在高维、噪声密集和资源受限的制剂空间中更具优势，但不应视为完全替代，而是互补方法。

研究结论部分翻译如下：总之，研究人员证明贝叶斯优化，特别是其多目标形式（MOBO），为药物制剂开发提供了强大且高效的框架。在模拟和实验环境中，MOBO在现实实验约束下识别帕累托最优解方面始终优于传统和自适应DoE方法。其优势在于高效性、自适应学习和集成约束处理，能够在有限实验预算内快速发现临床相关配方。同时，结果突出了重要局限性：BO的成功关键取决于实验数据质量和噪声估计准确性，本系统中粒径优化因DLS测量的异方差变异性而特别具有挑战性。而DoE虽然预测模型能力较弱且缺乏前瞻性约束处理，但在系统先验知识可用时仍保持可解释性和实用性。总体而言，BO不应被视为DoE的普遍替代，而是在高维、噪声密集和资源受限的制剂空间中表现出色的互补方法。通过高效平衡竞争性目标并揭示非显而易见的辅料-物性相互作用，MOBO代表了向数据驱动、自优化制剂设计迈出的重要一步，并突显了机器学习引导策略在加速药物开发中的前景。