基于人工智能的预测建模技术，用于优化药物配方并实现缓释片剂的精准药物输送

《Journal of Pharmaceutical Innovation》：AI-Powered Predictive Modeling to Optimize Pharmaceutical Formulation and Precise Drug Delivery in Modified Release Tablets

本研究利用QbD方法开发Etodolac长效片剂，结合机器学习优化聚合物比例和释放动力学。采用三因素三水平实验设计训练模型，测试集和验证集显示人工神经网络（ANN）模型拟合最佳（高R2值），证实机器学习可有效预测和优化长效制剂的释放特性。

　　

摘要

背景

基于人工智能的预测建模技术的集成为剂型的开发和优化提供了令人兴奋的可能性。依托设计（Quality by Design, QbD）方法制备了依托度洛酸缓释片，并通过基于人工智能的预测建模来优化聚合物比例和释放动力学，从而改善其缓释性能。

目的

研究机器学习工具在预测和优化缓释片药物释放曲线方面的潜力。

方法

采用实验因子设计（Experimental Factorial Design），设置了三种输入因素（聚合物类型、浓度和稀释剂浓度），并在三个不同水平上进行实验以训练模型。同时，使用一部分实验数据作为测试集（test set），另一部分作为验证集（validation set）来验证模型的准确性。此外，还评估了这些方法对资源利用效率、成本效益以及产品质量的影响，并比较了不同的预测建模技术和模型，以确定最适合依托度洛酸缓释片数据的方法。

结果

人工智能和机器学习工具有助于识别制药生产过程中变异的原因，从而为新型和仿制缓释片的控制策略提供依据。人工神经网络（Artificial Neural Network, ANN）模型在所有研究的预测建模技术中表现出了最佳拟合度和预测能力。这一点从使用该模型生成的测试集、验证集和训练集之间的高R平方值（R-squared values）中可以明显看出。

结论

研究表明，像人工神经网络（ANN）这样的机器学习工具作为预测建模技术，在开发并优化具有预设目标的新型和仿制缓释药物产品方面具有显著的效果。

图形摘要