机器学习驱动的替代建模与操作点选择用于透皮给药的微流控扩散膜平台

《Membranes》：Machine Learning–Driven Surrogate Modeling and Operating-Point Selection for a Microfluidic Diffusion-Membrane Platform for Transdermal Drug Delivery

　　

微流控扩散系统为评估透皮给药（TDD）提供了一个强大的体外平台，但其预测能力常受限于有限的实验数据集和跨膜-装置配置的非线性传输行为。本研究将机器学习（ML）与微流控实验相结合，开发了在不同流体动力学和膜条件下累积药物渗透的准确且可推广的替代模型。研究人员提出了一个ML增强的微流控TDD框架，用于从少量实验数据集中预测累积药物渗透。在12种装置-膜配置（sMDC、mMDC和LiveBox2与PET、CA、大鼠皮肤和海藻酸盐配对）中，以三种灌注流速检查了咖啡因乳膏的渗透。对于每种配置，仅使用33个实验测量值训练和交叉验证了SVR、MLP、RFR、GBR、XGB和KNN模型。SVR在评估的模型中显示出最强的整体性能，测试R²值通常高于0.97，RMSE值小于1–3 μg/cm²，准确捕捉了TDD曲线的时间-流速-累积质量的非线性行为。采用域界高斯噪声增强策略来增加局部采样密度，同时将增强值保持在实验观察到的时间和累积质量范围内。从SVR的预测中获得了多项式方程，以捕捉输入和输出之间的相互作用。然后，训练好的SVR替代模型用于自动稳态识别和基于替代模型的操作点选择，揭示了所选流速对膜渗透性和装置几何形状的依赖性。海藻酸盐在所有系统中一致地提供了最高的稳态累积质量（高达约448 μg/cm²），使其成为所评估中最有效的TDD膜。最后，从SVR预测中推导出紧凑的三次多项式方程，实现了显式分析预测和快速设计空间探索。总体而言，这些ML衍生模型和分析方程为预测性设计提供了快速、低成本的工具，能够快速评估微流控系统和选择操作条件，并显著加速下一代TDD平台的开发和筛选。

**论文解读：机器学习驱动的微流控扩散膜平台替代建模与操作点选择**

**研究背景与问题**
透皮给药系统（TDDS）因其非侵入性、患者友好性和可控释放特性，成为药物递送领域的重要替代方案。然而，TDDS的临床前评估传统上依赖动物实验，成本高、耗时长且伦理争议大，而二维细胞模型难以模拟体内三维微环境。器官芯片（organ-on-a-chip）技术通过微流控系统复制人体器官的结构与功能，为TDDS评估提供了体外平台，但现有微流控扩散实验数据有限（通常仅30多个采样点），且药物传输受膜渗透性、流体动力学和装置几何形状的非线性耦合影响，导致传统机理模型或计算流体动力学（CFD）模拟参数化复杂、计算成本高，难以用于快速预测筛选。此外，现有研究多关注装置几何优化，缺乏数据驱动的定量预测模型。因此，本研究旨在开发一种机器学习（ML）增强的框架，利用少量实验数据建立准确且可推广的替代模型，实现累积药物渗透的预测、稳态识别和操作点选择，以加速微流控TDDS平台的开发与筛选。

**研究内容与结论**
研究人员整合了四种膜材料（聚酯PET、醋酸纤维素CA、大鼠皮肤、海藻酸盐支架）与三种微流控装置（单通道微流控扩散腔sMDC、多通道微流控扩散腔mMDC、LiveBox2系统），共12种配置，在三种灌注流速（4、40、100 μL/min）下考察咖啡因乳膏的渗透行为。通过比较六种ML回归模型（多层感知器MLP、梯度提升回归器GBR、极限梯度提升XGB、K近邻KNN、随机森林回归器RFR、支持向量回归SVR），发现SVR在仅33个数据点/配置的条件下表现最优，测试R² > 0.97，RMSE < 1–3 μg/cm²；采用域界高斯噪声增强策略进一步稳定模型。基于SVR预测，推导出三次多项式方程实现显式分析预测，并开发了自动稳态识别与操作点选择程序。结果表明，海藻酸盐膜在所有系统中稳态累积质量最高（LiveBox2中达~448 μg/cm²），是最有效的TDD膜；操作点选择揭示了流速对膜渗透性和装置几何的依赖关系。该论文发表在《Membranes》。

**关键技术方法**
本研究采用的主要关键技术方法包括：（1）实验数据来源：基于Kocsis等人[17]的微流控扩散实验数据，包含12种膜-装置配置，每种配置在3个流速下采集11个时间点（0–300 min，30 min间隔），共33个数据点；（2）ML模型训练与比较：使用scikit-learn流水线对SVR、MLP、RFR、GBR、XGB、KNN进行超参数调优（RandomizedSearchCV，5折交叉验证），以RMSE和R²评估性能；（3）域界高斯噪声增强：对训练数据按流速分组，添加均值为零、标准差为组内标准差5%的噪声，并裁剪至原始范围，复制5倍以增加局部采样密度；（4）SVR替代模型用于稳态识别：基于滑动窗口线性回归（窗口20 min），当局部斜率低于相对阈值0.02×ΔC/20 min且持续≥15 min，且稳态累积质量超过最大值的2%时，判定稳态；选择最早达到稳态的流速，若同时则选累积质量高者；（5）三次多项式替代方程：以SVR预测为监督目标，拟合包含所有线性、二次、三次项（t, f, t², tf, f², t³, t²f, tf², f³）的多项式。

**研究结果**
**3.1 机器学习模型比较与验证**
通过比较六种模型在12种配置上的交叉验证（CV）和独立测试指标，SVR表现最优：CV R²通常0.93–0.99，测试R² > 0.97，测试RMSE < 1–3 μg/cm²；而MLP、XGB、GBR、RFR、KNN出现过拟合或对稀疏数据敏感。SVR预测曲线与实验数据高度吻合，准确捕捉了各流速下累积质量的时间演化，包括PET膜中40 μL/min优于100 μL/min的非单调行为、大鼠皮肤的低渗透性和长滞后时间、海藻酸盐的高渗透性等。不确定性分析（表4）显示SVR的测试R²均值为0.994 ± 0.0079，95% bootstrap CI为0.989–0.997，RMSE均值为1.800 ± 1.258，CI为1.180–2.537，表明性能稳定。

**3.2 SVR模型性能评估**
高斯噪声增强后，CV R²提升至0.992–0.998，且消除了原始数据中CA-sMDC、alginate-LiveBox2等高RMSE异常值（如从14.8、18.9 μg/cm²降至约1–4 μg/cm²）。学习曲线显示训练R²稳定在0.995–0.998，CV R²随训练样本增加平滑收敛，无过拟合迹象，表明SVR在稀疏数据下具有良好泛化能力。

**3.3 参数对药物递送系统的影响**
**3.3.1 累积质量的预测方程**
从SVR预测推导的三次多项式方程（表6）为每种配置提供了显式解析表达式，包含t、f及各阶交互项，R²接近1。系数分析显示：一阶项主导早期线性增长，二阶项引入曲率（如负t²表示梯度衰减），三阶项捕捉饱和和非单调流速依赖（如40 μL/min优于4和100 μL/min）。系数大小与膜渗透性一致：高渗透膜（PET、海藻酸盐）和扩散面积大的装置（LiveBox2）具有较大的正t、tf、f²项。

**3.3.2 基于替代模型的稳态操作点选择**
SVR自动稳态识别（表7）显示：PET膜在100 μL/min下达到稳态（sMDC: 178 min, mMDC: 302 min, LiveBox2: 223 min）；CA膜在sMDC中选4 μL/min，在mMDC和LiveBox2中选100 μL/min，反映几何依赖性；大鼠皮肤在sMDC和mMDC中选40 μL/min，LiveBox2中选100 μL/min，稳态时间长达420 min；海藻酸盐在sMDC和LiveBox2中选40 μL/min，mMDC中选100 μL/min，LiveBox2中稳态累积质量最高（448 μg/cm²），表明海藻酸盐是最有效的TDD膜。

**3.4 所提出ML框架的局限性与假设**
该框架仅基于咖啡因在三种流速和固定时间窗口内的数据，属于配置特定的域内替代模型，不适用于外推至其他药物、膜或装置；预测结果最适用于咖啡因类化合物；模型未显式纳入传输方程，但通过实验数据约束保持了物理合理性；数据增强策略有效缓解了稀疏数据问题。

**讨论与结论**
研究结论部分（第4节）指出：本研究提出了数据驱动的ML框架，用于微流控透皮给药系统的建模、稳态识别和操作点选择。在12种膜-装置配置下，SVR模型在仅33个数据点时即实现高精度预测（测试R² > 0.97，RMSE < 1–3 μg/cm²），准确捕捉了流速、膜渗透性和累积质量的非线性关系。海藻酸盐膜在所有装置中稳态累积质量最高（LiveBox2中达447.96 μg/cm²），确认其卓越的渗透性和TDD适用性。基于SVR替代模型的自动操作点选择表明，100 μL/min在多种配置下是快速达到稳态且最大化累积质量的有效流速。此外，三次多项式方程提供了与SVR预测高度一致的解析表达式，便于快速模拟、优化和集成到药代动力学或装置设计流程中。总体而言，ML驱动建模，特别是SVR结合高斯噪声增强，能提高域内预测精度、减少实验负担，并实现自动稳态识别和数据驱动的操作条件选择。未来方向包括扩展至多种药物分子、融合机理模型（如Fick扩散、多层皮肤模型、CFD），以及结合主动学习实现高通量自动化筛选。