چارچوب های فلز-آلی و بررسی کاربرد آنها در داروهای ضدسرطانی به روش یادگیری ماشین

در این تحقیق، چارچوب های فلز-آلی (MOFs) به عنوان حامل های دارویی به دلیل ساختارهای متخلخل و ظرفیت بارگذاری بالای خود مورد بررسی قرار گرفتند. هدف این مطالعه، استفاده از الگوریتم های یادگیری ماشین برای پیش بینی دقیق درصد رهایش دارو از MOF ها در شرایط مختلف بود. برای این منظور، داده های حاصل از آزمایش های آزمایشگاهی و مقالات علمی، شامل ویژگی هایی مانند اندازه منافذ، مساحت سطح، چگالی، حجم منافذ، pH ، بارگذاری دارو، زمان، آب گریزی، نوع دارو، نوع MOF  به عنوان ورودی مدل های یادگیری ماشین استفاده شدند و درصد رهایش دارو به عنوان خروجی در نظر گرفته شد. همچنین، برای استخراج داده های آزمایشگاهی از روش های مختلف آنالیز شامل میکروسکوپ الکترونی روبشی (SEM)، پراش پرتو ایکس (XRD) و جذب سطحی نیتروژن (BET) استفاده شد. سپس، چهار الگوریتم مختلف شامل رگرسیون بردار پشتیبان (SVR)، Gradient Boosting، جنگل تصادفی (Random Forest) و درخت تصمیم (Decision Tree) برای پیش بینی درصد رهایش دارو به کار گرفته شدند. نتایج نشان داد که الگوریتم Gradient Boosting با ۸۵/۰ R² = بهترین عملکرد را در پیش بینی ها داشت، در حالی که جنگل تصادفی ۸۱/۰ R² = و درخت تصمیم ۷۲/۰ R² = نیز نتایج قابل قبولی ارائه دادند. مدل SVR  نیز توانست ۶۴/۰ R² = را به دست آورد. در نهایت، تحلیل اهمیت ویژگی ها نشان داد که که اندازه منافذ مهم ترین عامل در تعیین کارایی رهایش دارو است. مساحت سطحی MOFs نیز از اهمیت بالایی برخوردار است. این نتایج نشان دهنده توانایی بالای الگوریتم های یادگیری ماشین در پیش بینی رفتار رهایش دارو و بهینه سازی طراحی MOFها برای کاربردهای دارورسانی است.

کلیدواژه ها:

چارچوب های فلز-آلی (MOFs) ، یادگیری ماشین ، پیش بینی رهایش دارو ، اهمیت ویژگی