طراحی سریعتر و دقیقتر نانوداروها با استفاده از هوش مصنوعی

علاقه روزافزون به درمان شخصی سرطان منجر به تمرکز قوی بر تولید زیست‌مواد  شده است که به محرک های خارجی پاسخ می دهند. زیست‌موادی که می توانند داروها را به نقاط خاصی در بدن برسانند و از رسیدن دارو به سایر نقاط بدن جلوگیری کنند.

به گزارش ایسنا، در میان این نوع مواد، نانوذرات مبتنی بر پلی لاکتیک- Co-گلیکولیک اسید (PLGA)  چشم انداز امیدوارکننده ای برای سیستم های دارورسانی هدفمند دارند.

اخیراً مقاله‌ای در مجله Biomaterials منتشر شده است که از چهار روش مختلف یادگیری ماشین (ML) برای پیش‌بینی مدل‌ها و درک عوامل تأثیرگذار بر خواص نانوذرات مبتنی بر PLGA استفاده می‌کند.

این مدل‌ها با استفاده از پارامترهای مربوط به اندازه نانوذرات، راندمان محصور سازی (E.E. درصد) و بارگذاری دارو (D.L. درصد) آموزش داده شدند. شاخص‌هایی مانند «حداقل نرخ انقباض» و «اپراتور انتخاب» برای شناسایی تأثیرگذارترین ویژگی‌هایی که بر این پارامترها تأثیر می‌گذارند استفاده شد.

این مدل ها با استفاده از روش اعتبارسنجی و با استفاده از معیارهایی مانند خطای مطلق، میانگین خطای مطلق و R-squared ارزیابی شدند.

روش های جدیدی از هوش مصنوعی و یادگیری ماشینی در حوزه نانوپزشکی معرفی شده است که شامل توسعه نانوداروها و عوامل تصویربرداری می شود. این رویکردهای محاسباتی دقت بیشتری را ارائه می‌کنند و می‌توانند پیچیدگی سیستم‌های تحویل دارو را بهتر از روش‌های آزمون و خطای سنتی کنترل کنند.

این مطالعه پتانسیل هوش مصنوعی در طراحی فرمولاسیون را با کنترل ویژگی های بهبود یافته و نتایج بهینه برجسته کرده است که نشان دهنده کاربرد هوش مصنوعی در سیستم های میکروسیال و بهینه سازی خواص میکرو ذرات است.