پیش بینی ویژگی های کلیدی نانوکامپوزیت های حامل داروی ضدسرطان ۵-فلوئورواوراسیل با استفاده از یادگیری ماشین: رویکردی چند هدفه

مقدمه: داروی ۵-فلوئورواوراسیل به طور گسترده در درمان سرطان استفاده می شود، اما اثربخشی بالینی آن به دلیل سمیت سیستمیک، نیمه عمر کوتاه و جذب ناکافی در بافت تومور، محدود است. طراحی نانوکامپوزیت های حامل ۵-فلوئورواوراسیل باید به صورت هدفمند در جهت بیشینه سازی کارایی بارگذاری (LE%)، بازده پوشش دهی (EE%) و حداقل سازی سمیت سلولی در سلول های عادی انجام گیرد. هدف از این پژوهش توسعه نوعی مدل یادگیری ماشین چند هدفه برای پیش بینی هم زمان مقادیر LE%، EE%  و سمیت سلول های عادی در نانوحامل های داروی ۵-فلوئورواوراسیل بود. روش کار: مجموعه داده ای شامل بیست نوع نانوکامپوزیت از منابع معتبر علمی گردآوری شد. شش مدل رگرسیونی و چهار مدل طبقه بندی با استفاده از روش اعتبارسنجی متقابل آموزش داده شدند. تفسیر مدل ها از طریق تحلیل SHAP انجام شد. سپس غربالگری مجازی روی ۱۲۰ فرمولاسیون فرضی به منظور شناسایی نمونه های بهینه صورت گرفت. مدل XGBoost بهترین عملکرد رگرسیونی را برای پیش بینی مقادیر LE% (۹۱/۰R²=، ۸۲/۱MAE=) و EE% (۸۹/۰R²=، ۰۵/۲MAE=) نشان داد، درحالی که الگوریتم جنگل تصادفی (Random Forest) در طبقه بندی سمیت سلولی عملکرد بهتری داشت (۸۸/۰F۱=، ۹۲/۰AUC=). یافته ها: تحلیل SHAP بیانگر آن بود که کیتوزان، پلی اتیلن گلایکول (PEG) و نیترید گرافیت کربن (g-C₃N₄) سبب افزایش بازده پوشش دهی می شوند، درحالی که نانولوله های هالویسیت، اندازه ذرات بزرگ تر از ۴۰۰ نانومتر و پتانسیل زتای مثبت بالا، موجب افزایش سمیت می شوند. محدوده طراحی بهینه در بازه اندازه ۱۰۰ تا ۳۰۰ نانومتر و پتانسیل زتای ۲۰+ تا ۴۰+ میلی ولت تعیین شد. فرمولاسیون حاوی کیتوزان/PEG/g-C₃N₄/هیدروکسی آپاتیت به عنوان ترکیب برتر با EE% پیش بینی شده حدود ۷/۸۹ درصد و سمیت پایین شناسایی شد. نتیجه گیری: سامانه مبتنی بر یادگیری ماشین بینش های پیش بینی کننده و مکانیستی ارزشمندی برای طراحی نانوحامل های ایمن و کارای ۵-فلوئورواوراسیل فراهم می آورد. باوجود محدودیت های داده، این روش نشان دهنده ظرفیت زیاد رویکردهای محاسباتی در حوزه نانوداروهاست.

کلیدواژه ها:

۵-fluorouracil ، Cytotoxicity Prediction ، Encapsulation Efficiency ، Multi-Objective Machine Learning ، Random Forest ، SHAP Analysis ، XGBoost ، ۵-فلوئورواوراسیل ، یادگیری ماشین چند هدفه ، بازده پوشش دهی ، پیش بینی سمیت سلولی ، تحلیل SHAP ، XGBoost ، جنگل تصادفی