شبکه‌ عصبی مصنوعی مبتنی بر پیش بینی میزان ذرات در نانوذرات پلیمری

چکیده

کلمات کلیدی

فهرست 

1.مقدمه

2. مواد و روش‌ها

2.1 مواد

2.2 آماده سازی نانو ذرات پلیمری

2.3 اندازه ذرات و PDI نانوذرات پلیمری

2.4 تعیین چسبناکی(ویسکوزیته) محلول پلیمری

2.5 تعیین زاویه تماس پلیمر

2.6 اندازه گیری کشش سطحی

2.7 مدل شبکه عصبی مصنوعی

3.نتایج

3.1 پارامترهای فرمولاسیون سازی نانو ذرات

3.2 مدل شبکه عصبی مصنوعی

4.بحث

نتیجه

اندازه ذرات نانوذرات و پلی‌دیسپرسیتی مربوطه، عوامل کلیدی موثر بر رفتار بیوفارماسوتیکال شان در انواع متخلفی از برنامه‌های درمانی هستند. پیش بینی این ویژگی‌ها بسیاری از مطالعات اولیه را که معمولا نیازمند بهینه سازی فرمولاسیون(فرمول سازی) هستند را، رها می‌کند. هدف ساختن یک مدل توانای ریاضی برای پیش بینی اندازه نانو ذرات پلیمری تولید شده توسط یک انتخاب پلیمری دارویی، است. خواص پلیمری کنترل اندازه ذرات به عنوان وزن مولکولی، هیدروفوبیت ، و فعالیت سطح، شناخته شده‌اند و به ترتیب با اندازه گیری چسبناکی پلیمر، زاویه تماس و کشش سطحی ، کیفیتشان را تعیین کردند. این مدل با استفاده از شبکه مصنوعی شامل خواصی مانند ورودی اندازه ذرات و شاخص پلی‌دیسپرسیتی به عنوان خروجی، ساخته شده است. این مدل رسمی و پابرجا به صورت موفقیت آمیزی اندازه ذرات نانوذرات با دامنه 400-70 نانومتر تولید شده از سایر پلیمرها، را پیش بینی کرد. درصد اطمینان برای پیش بینی ذرات، به ترتیب 2%، 4% و 6% برای داده‌های آموزشی، اعتبارسنجی و تست، بوده است. کشف شده است که فعالیت سطح پلیمر، بیشترین تاثیر را بر اندازه ذرات و سپس چسبندگی و در نهایت هیدروفوبیت دارد. نتایج این مطالعه به طور موفقیت آمیزی، خواص پلیمری تاثیرگذار بر اندازه ذرات را مشخص کرد و سودمندی استفاده از شبکه عصبی مصنوعی در پیش بینی اندازه ذرات و پلی‌دیسپرسیتی و نانو ذرات پلیمری، تایید کرد.

نانوذرات (NP¬s) استفاده کارآمد خود را به عنوان حامل‌های تحویل دارویی در طیف گسترده‌ای از کاربردهای درمانی نشان داده‌اند [1،2]. این براساس ویژگی‌های منحصر به فردی است که امکان افزایش نفوذ دارو در بین موانع بیولوژیکی [3,4] و داروهای هدفمند درمقابل بدخیمی [5,6] و بافت‌های التهابی [7]، را فراهم می‌کند. رویکردهایی مانند هدف گیری منفعل با خواص سطح اصلاح شده با استفاده از سورفاکتناکت‌ها (مواد فعال سطحی) یا NP¬s نهان با شکل‌بندی پلی اتیلن گلیکول ، شامل تغییرات قابل توجهی در خواص سطح می‌شود. به طور مشابه، هدف گیری فعال با شکل دهی سطح نانوذرات با قطعات(نقاط) و لیگاندها (پیوندها)، می‌تواند انجام شود [8]. بیشتر این پدیده‌ها و آثار وابسته به اندازه هستند، به طور مثال، افزایش جذب دارو دهان [9]، انتخاب هدفمند درمقابل تومورها [10] یا بافت‌های التهابی [11]. بنابراین کنترل ذرات NPs و توزیعشان، از اهمیت حیاتی برخوردار است. توزیع اندازه معمولا توسط شاخص پلی‌دیسپرسیتی(PDI) تعیین می‌شود، که یکنواختی و پایداری NPs را مشخص می‌کند و باید درحدود 0.01 تا 0.5 باشد [12]. تاکنون، هنگامی که اندازه ذرات معینی با توزیع اندازه باریک هدف قرار گرفته است، این روش با روش‌های تجربی و آزمون و خطا انجام شده است. براین اساس، توسعه یک مدل ریاضی که می‌تواند اندازه ذرات و PDI پلیمرهای NPs حاصل از انواع مختلف پلیمرها را پیش بینی کند، بسیار مفید خواهد بود زیرا صرفه جویی در زمان و پول با حفظ پلیمرها، شیمیایی‌ها و مواد است که معمولا در طول مرحله بهینه سازی مصرف می‌شوند. ابزار اصلی آماری و مدلسازی استفاده شده برای بهینه سازی و پیش بینی ویژگی‌های NPs، روش‌ سطح پاسخ (RSM) [13,14] و شبکه عصبی مصنوعی(ANN) [15–18]، است. هردو روش در حال حاضر با یکدیگر مقایسه شده‌اند و نتایج نشان می‌دهد که ANN نسبت به RSM در داده‌ها و قابلیت‌های پیش بینی، برتری دارند [19–22]. این امر به دلیل محدودیت RSM به توابع درجه دوم ، نسبت داده شده است، برخلاف ANN که می‌تواند طیف وسیعی از توابع را مدیریت کند و روابط بین متغیرهای مستقل و وابسته را بدون هیچ معامله‌ با تابع خاصی، پیدا کند [19]. ANN به وسیله مثال‌ها یاد می‌گیرد، جایی که مجموعه داده برای ساخت مدل استفاده می‌شود به عنوان داده‌های آموزشی نامیده می‌شود و پس از آن کارایی مدل پایدار در مقابل داده‌های جدید که به عنوان داده‌های تست نامیده می‌شوند، بررسی می‌شود. مطالعات قبلی که از ANN استفاده کردند، عمدتا به بررسی پارامترهای فرآیند تاثیرگذار بر اندازه ذرات، متمرکز شده است و تعداد محدودی از پلیمرها بدون وابستگی خواص پلیمرها به اندازه ذرات فراهم شده، مورد بررسی قرار دادند [16–18]. در این موارد، مدل‌های توسعه یافته برای مشخص کردن و بهینه سازی عوامل موثر بر روند آماده سازی NPs، مورد استفاده قرار گرفتند. با این حال، ارزیابی کاملی از قدرت پیش بینی این مدل‌ها، تمرکز اصلی این مطالعات نبوده است، زیرا داده‌های آزمایشی یا تست نسبتا کوچک و محدود به داده‌های آموزشی بوده‌اند. در این‌جا، ANN برای توسعه یک مدل ریاضی قادر به پیش بینی اندازه ذرات و PDI نانوذرات پلیمری تولید شده از یک انتخاب بزرگ از پلیمرهای دارویی با خواص مختلف، استفاده شده است. به منظور دستیابی به این هدف، خواص پلیمری تاثیرگذار بر اندازه ذرات و PDI دقیقا شناسایی و اندازه گیری شده‌اند و سپس به عنوان ورودی برای مدل استفاده شده‌اند. پس از آن، مدل به طور جامع در برابر داده‌های موجود در داخل و خارج مرزهای آموزش، آزمایش شده است. علاوه بر این، ارزیابی مدل پایدار و سازگار شامل پلیمرهای کاملا جدید است که داده‌های آموزشی در آن گنجانده نشده است.