به گزارش گروه اجتماعی سلامت پرس ، یافته های اخیر نشان می دهد که چگونه برخی مدل سازی های انجام شده توسط هوش مصنوعی می تواند به طراحی نانوذراتی با خواص دقیق رهاسازی دارو کمک کند.
افزایش علاقه به درمان شخصی سرطان منجر به تمرکز زیادی بر روی تولید بیوموادهایی شده است که به محرک‌های خارجی پاسخ می‌دهند، بیوموادهایی که می‌توانند داروها را به مکان‌های خاصی در بدن برسانند و از ورود دارو به مناطق دیگر بدن جلوگیری کنند.
در میان این نوع مواد، نانوذرات مبتنی بر پلی لاکتیک-کو-گلیکولیک اسید (PLGA) چشم انداز امیدوارکننده ای در سیستم های دارورسانی هدفمند دارند.
مقاله‌ای اخیراً در مجله Biomaterials منتشر شده است که در آن از چهار روش مختلف یادگیری ماشین (ML) برای پیش‌بینی مدل‌ها و بررسی عوامل مؤثر بر خواص نانوذرات مبتنی بر PLGA استفاده شده است. این مدل ها با استفاده از پارامترهای مربوط به اندازه نانوذرات، راندمان کپسولاسیون (EE%) و بارگذاری دارو (DL%) آموزش داده شدند. برای شناسایی تأثیرگذارترین ویژگی‌های تأثیرگذار بر این پارامترها از شاخص‌هایی مانند «حداقل انقباض» و «اپراتور انتخاب» استفاده شد.
این مدل‌ها با استفاده از روش اعتبارسنجی تأیید شدند و با معیارهایی مانند خطای مطلق، میانگین خطای مطلق و R-Square ارزیابی شدند.
حوزه نانوپزشکی که شامل طراحی نانوداروها و عوامل تصویربرداری می شود، شاهد معرفی روش های جدید هوش مصنوعی و یادگیری ماشینی بوده است. این رویکردهای محاسباتی دقت بیشتری را ارائه می‌کنند و می‌توانند پیچیدگی سیستم‌های تحویل دارو را بهتر از روش‌های سنتی آزمون و خطا کنترل کنند. این مطالعه بر پتانسیل هوش مصنوعی در طراحی فرمولاسیون با کنترل ویژگی های بهبود یافته و نتایج بهینه تاکید کرده است که نشان دهنده کاربرد هوش مصنوعی در سیستم های میکروسیال و بهینه سازی خواص ریز ذرات است.
