.png){kind=icon}
返回
Physics-based machine learning for enhanced drug formulation development
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jconrel.2026.114860.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
制剂设计受限于稀少且异构的实验数据，这限制了传统AI模型的准确性和泛化能力。在此，我们介绍一种基于物理的机器学习（PBML）方法，该方法将基于物理的建模与数据驱动学习相结合，以改进药物制剂开发。我们的方法预测了两个不同系统中的关键制剂性质，包括无定形固体分散体（ASDs）的物理稳定性和分子吸湿性。对于ASDs，通过分子动力学（MD）衍生的描述符（明确编码非共价相互作用（药物-聚合物相互作用能、氢键网络）和迁移率（扩散系数））在相同数据集上显著优于经验实验参数，在分组交叉验证中对未见过的API的泛化能力得到提升（75.2% vs. 66.1%）。对于吸湿性，首先根据MD模拟结果分配吸湿/非吸湿标签。然后使用这些MD衍生的标签训练分类模型，并验证其在外部实验数据集上表现出优异性能（准确率=0.967；F1分数=0.957；AUC-ROC=0.931）。在两个系统中，MD衍生描述符与TabPFN（表格式先验数据拟合网络）的协同作用在有限的制剂数据集上表现良好。此外，SHapley加性解释（SHAP）分析将特征重要性与其已知实验机制对齐。例如，更强的药物-聚合物吸引力和更低的API迁移率稳定ASDs，而更高的表面极性和静电势（ESP）方差驱动吸湿性，从而在表示层面提高可解释性。总体而言，我们的PBML框架提供了一种数据高效且基于机制的方法，能够增强制剂设计中的决策制定。这种方法有望扩展有限数据集在药物制剂设计中的应用，并减少实验负担。
Keyword:
physics-based machine learning
drug formulation
molecular dynamics
amorphous solid dispersions
hygroscopicity
