شبکه های عصبی مصنوعی برای پیش بینی آزادسازی دارو از چارچوب های فلزی-آلی

این مطالعه به بررسی کاربرد یادگیری ماشین (ML)، بهویژه شبکه عصبی پرسپترون چند لایه (MLP)، برای پیشبینی آزادسازی دارو از چارچوب های فلزی-آلی (MOFs) پرداخته است که هدف آن بهینه سازی سیستم های دارورسانی برای دقت درمانی بیشتر است. چارچوب های فلزی-آلی مورد استفاده در این پژوهش با روش های طیف سنجی فرابنفش-مرئی (UV)، پراش پرتو ایکس (XRD) و میکروسکوپ الکترونی روبشی (SEM) سنتز و شناسایی شدند. برای آموزش و ارزیابی مدل MLP، مجموعه داده های شامل ۲۰۰ نمونه استفاده شد که از داده های تجربی و اطلاعات موجود در منابع علمی گردآوری شده بود. معماری این مدل شامل دو لایه پنهان با ۶۴ و ۳۲ نورون به ترتیب بود و از تابع فعال سازی ReLU استفاده شد. ویژگی های ورودی مدل شامل اندازه حفره ها، مساحت سطحی، چگالی و پارامترهای بارگذاری دارو بودند. این مدل توانست مقدار R² برابر با ۰.۶۱ را به دست آورد که نشان دهنده قابلیت یادگیری ماشین در بهبود پیش بینی آزادسازی دارو از MOFs است. هدف از این پژوهش، افزایش دقت در کنترل پروفایل های آزادسازی دارو و کاهش عوارض جانبی، بهویژه در درمان سرطان، بود. استفاده از مدل های یادگیری ماشین مانند MLP می تواند نقش مهمی در توسعه سیستم های دارورسانی ایفا کند، زیرا امکان پیش بینی بهتر رفتار آزادسازی دارو و بهینه سازی طراحی MOFs را فراهم می آورد. نتایج این مطالعه نشان می دهد که استفاده از چارچوب های فلزی-آلی در ترکیب با مدل های یادگیری ماشین می تواند به رویکردی کارآمدتر برای دارورسانی منجر شود. به طور خاص، MOFs به دلیل ساختار متخلخل، مساحت سطحی بالا و قابلیت بارگذاری دارو، به عنوان حامل های دارویی مناسب مورد توجه قرار گرفته اند. با این حال، یکی از چالش های اصلی در استفاده از این مواد، کنترل دقیق نرخ آزادسازی دارو است. این مطالعه تلاش کرده است با استفاده از داده های تجربی و شبیه سازی های یادگیری ماشین، بر این چالش غلبه کند. مدل MLP توسعه یافته در این پژوهش نه تنها قادر به پیش بینی نرخ آزادسازی دارو بود، بلکه امکان تحلیل تاثیر پارامترهای مختلف را نیز فراهم کرد. به عنوان مثال، نتایج نشان داد که اندازه حفره ها و مساحت سطحی MOFs تاثیر قابل توجهی بر رفتار آزادسازی دارو دارند. این اطلاعات می تواند به محققان کمک کند تا MOFs بهینه ای برای کاربردهای خاص طراحی کنند. از دیگر مزایای این روش، کاهش زمان و هزینه های تحقیقاتی است. استفاده از مدل های یادگیری ماشین می تواند نیاز به آزمایش های متعدد و وقت گیر را کاهش داده و روند توسعه سیستم های دارورسانی را تسریع بخشد. به علاوه، این رویکرد امکان سفارشی سازی طراحی MOFs بر اساس نیازهای درمانی خاص بیماران را فراهم می کند. در نهایت، این پژوهش نشان می دهد که ترکیب یادگیری ماشین و چارچوب های فلزی-آلی می تواند گامی مهم در جهت بهبود روش های درمانی و افزایش کارایی سیستم های دارورسانی باشد. امید است که در آینده، با پیشرفت تکنولوژی و دسترسی به داده های بیشتر، دقت و کارایی این مدل ها افزایش یابد و در کاربردهای بالینی نیز مورد استفاده قرار گیرد.

کلیدواژه ها:

چارچوب های فلزی-آلی (MOFs) ، آزادسازی دارو ، سیستم های دارورسانی ، شبکه عصبی پرسپترون چند لایه (MLP)