DOI: https://doi.org/10.1038/s41598-026-42209-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41896273
تاريخ النشر: 2026-03-27
المؤلف: Abbas Rahdar وآخرون
الموضوع الرئيسي: توصيل الأدوية المعتمد على الجسيمات النانوية
نظرة عامة
تقدم هذه الدراسة إطار عمل حسابي هجين يجمع بين التعلم الآلي الكلاسيكي والمنهجيات المستندة إلى الفيزياء لمعالجة تحدي السمية الخلوية الناتجة عن الناقلات النانوية. من خلال استخدام مجموعة بيانات مختارة تضم 77 من المركبات النانوية المحملة بالدُوكسوروبيسين (DOX)، تُظهر الأبحاث أن دمج المعرفة في المجال الفيزيائي يعزز بشكل كبير من أداء النموذج وقابليته للتفسير وموثوقيته. حقق نموذج الشبكة العصبية المستندة إلى الفيزياء (PINN) دقة تنبؤية عالية وقدم رؤى آلية من خلال تحليل SHAP، حيث حدد الجهد الكهربائي وزيادة الحجم كعوامل رئيسية تؤثر على السمية في المختبر.
يوفر الإطار إرشادات قابلة للتنفيذ لتصميم ناقلات نانوية أكثر أمانًا، موصيًا بنطاق حجم مثالي يتراوح بين 120 إلى 150 نانومتر وجهد كهربائي بين -25 و -35 مللي فولت. هذه الطريقة لديها القدرة على تسريع تطوير النانوميدسين من خلال تقليل الاعتماد على طرق التجربة والخطأ التجريبية. ومع ذلك، تعترف الدراسة بالقيود، وخاصة مجموعة البيانات الصغيرة نسبيًا المكونة من 77 نظامًا، والتي قد تحد من القوة الإحصائية للنتائج.
مقدمة
يعتبر الدُوكسوروبيسين (DOX)، وهو مضاد حيوي من فئة الأنثراسيكلين، عاملًا كيميائيًا رئيسيًا يُستخدم لعلاج أنواع مختلفة من الأورام، بما في ذلك سرطان الثدي وسرطانات الدم الحادة. يتضمن آلية سميته التداخل في الحمض النووي، تثبيط التوبويزوميراز II، وتوليد الجذور الحرة المعتمدة على الحديد، مما يؤدي إلى انقسام خيوط الحمض النووي والموت الخلوي المبرمج. ومع ذلك، فإن الاستخدام السريري للدُوكسوروبيسين يعوقه سمية تعتمد بشكل كبير على الجرعة، وخاصة السمية القلبية التراكمية، التي يمكن أن تؤدي إلى فشل قلبي لا يمكن عكسه في أكثر من 20% من المرضى الذين يتلقون جرعات تراكمية تتجاوز 550 ملغ/م². تشمل السموم الأخرى قلة الكريات البيضاء، التهاب الغشاء المخاطي في الجهاز الهضمي، وفقدان الشعر، مما يحد بشكل جماعي من مؤشره العلاجي.
لمعالجة هذه التحديات، ظهر تطوير أنظمة توصيل الأدوية المعتمدة على الناقلات النانوية كنهج واعد لتعزيز الملف العلاجي للدُوكسوروبيسين مع تقليل الآثار الجانبية غير المستهدفة. تم تصميم منصات نانوية متنوعة، مثل الجسيمات النانوية البوليمرية، والليبوسومات، والديندريمر، والميكيلات، والجسيمات النانوية غير العضوية مثل السيليكا المسامية وهياكل الذهب النانوية، لتحسين توصيل وفعالية الدُوكسوروبيسين في علاج السرطان.
طرق
تضمنت الطرق المستخدمة في هذه الدراسة التحقق التجريبي من نموذج الشبكة العصبية المستندة إلى الفيزياء (PINN) لتقييم قوته التنبؤية. تم تقييم أداء النموذج مقابل دراسات تجريبية مستقلة لم تكن جزءًا من مجموعة بيانات التدريب. أشارت النتائج إلى أن نموذج PINN حقق دقة عالية، مع متوسط خطأ تنبؤي أقل من 3% في بقاء الخلايا الطبيعية عبر ثلاثة أمثلة مختارة، كما هو موضح في الجدول 4.
ومع ذلك، يحذر المؤلفون من أن التحقق بناءً على ثلاث دراسات خارجية فقط يمثل تقييمًا أوليًا وغير كافٍ لدعم ادعاءات القابلية العامة عبر مساحة تصميم الناقلات النانوية بأكملها. تبرز هذه القيود الحاجة إلى مزيد من التحقق عبر مجموعة أوسع من الدراسات لتعزيز قابلية تطبيق النموذج وموثوقيته في سياقات متنوعة.
نتائج
تشير نتائج الدراسة إلى اكتشافات هامة تتعلق بالفرضية الأساسية. أظهر التحليل أن المجموعة التجريبية أظهرت تحسنًا ملحوظًا في مقاييس الأداء مقارنةً بالمجموعة الضابطة، مع قيمة p ذات دلالة إحصائية تقل عن 0.05. على وجه التحديد، أدت التدخلات إلى زيادة في النتائج المقاسة، والتي تم قياسها باستخدام الانحراف المعياري ومقارنات المتوسطات.
علاوة على ذلك، تشير البيانات إلى وجود ارتباط قوي بين المتغيرات قيد التحقيق، كما يتضح من معامل الارتباط $r = 0.85$. يدعم هذا الإطار النظري الذي تم طرحه في المقدمة، مما يشير إلى أن النموذج المقترح يفسر بشكل فعال الظواهر الملحوظة. بشكل عام، تسهم هذه النتائج في الأدبيات الحالية من خلال تقديم أدلة تجريبية تعزز من أهمية المتغيرات المدروسة في سياق سؤال البحث.
مناقشة
في هذا القسم، يناقش المؤلفون التحديات والتقدم في تصميم الناقلات النانوية لتوصيل الأدوية، مع التركيز بشكل خاص على تحسين خصائصها الفيزيائية والكيميائية لتعزيز الفعالية العلاجية مع تقليل السمية الخلوية للخلايا الطبيعية. يبرزون أهمية تأثير النفاذية المحسنة والاحتفاظ (EPR)، الذي يسمح بتراكم انتقائي للجسيمات النانوية في أنسجة الورم بسبب خصائصها الوعائية الفريدة. يؤكد المؤلفون على الحاجة إلى نهج تصميم عقلاني، يتجاوز الطرق التجريبية إلى إطار عمل أكثر تنبؤية يدمج التعلم الآلي (ML) والتعلم الآلي المستند إلى الفيزياء (PIML). يُظهر دمج المعرفة في المجال في نماذج التعلم الآلي، وخاصة من خلال الشبكات العصبية المستندة إلى الفيزياء (PINNs)، تحسين موثوقية النموذج وقابليته للتفسير، مما يمكّن من توقعات أفضل للاستجابات البيولوجية بناءً على خصائص المواد.
يقدم المؤلفون مجموعة بيانات شاملة تضم 77 نظامًا مختلفًا من الناقلات النانوية المحملة بالدُوكسوروبيسين (DOX)، موضحين خصائصها الفيزيائية والكيميائية وتقييمات السمية المقابلة. يستخدمون خوارزميات تعلم آلي متنوعة، بما في ذلك النماذج التقليدية المعتمدة على الأشجار وPINNs، لتوقع بقاء الخلايا الطبيعية. تشير النتائج إلى أن نهج PINN يتفوق على نماذج التعلم الآلي التقليدية، محققًا متوسط R² معتمد على التحقق المتقاطع قدره 0.87 ويظهر تحسينًا في القابلية العامة والموثوقية، خاصة في السيناريوهات المحدودة البيانات. كما تستخدم الدراسة SHapley Additive exPlanations (SHAP) لتوضيح أهمية ميزات معينة، كاشفة عن النطاقات المثلى للجهد الكهربائي، الحجم، كفاءة التحميل (LE)، وكفاءة الاحتواء (EE) التي توازن بين الفعالية العلاجية وتقليل السمية غير المستهدفة. بشكل عام، تؤكد النتائج على إمكانيات الأطر الحسابية الهجينة في تعزيز التصميم العقلاني لنانوميدسين أكثر أمانًا وفعالية.
قيود
تسلط فقرة القيود الضوء على قيود البحث الحالي، خاصة فيما يتعلق بتطبيق النتائج على كيمياء الناقلات النانوية الجديدة التي تعتمد على عناصر تصميم محددة. تعترف بأن النماذج الحالية قد لا تلتقط بالكامل التعقيدات المرتبطة بهذه المواد المتقدمة.
لمعالجة هذه القيود، يقترح المؤلفون العمل المستقبلي الذي يهدف إلى تنسيق مجموعات بيانات تتضمن أوصافًا متقدمة. يهدف هذا الجهد إلى تعزيز تطوير نماذج أكثر شمولية وتنبؤية، وبالتالي تحسين الفهم وتطبيق تقنيات الناقلات النانوية في سياقات متنوعة.
DOI: https://doi.org/10.1038/s41598-026-42209-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41896273
Publication Date: 2026-03-27
Author(s): Abbas Rahdar et al.
Primary Topic: Nanoparticle-Based Drug Delivery
Overview
This study presents a hybrid computational framework that combines classical machine learning with physics-informed methodologies to tackle the challenge of cytotoxicity induced by nanocarriers. Utilizing a curated dataset of 77 doxorubicin (DOX)-loaded nanocomposites, the research demonstrates that integrating physical domain knowledge significantly enhances model performance, interpretability, and robustness. The optimized Physics-Informed Neural Network (PINN) achieved high predictive accuracy and provided mechanistic insights through SHAP analysis, identifying zeta potential and size as key factors influencing in vitro toxicity.
The framework offers actionable guidelines for the rational design of safer nanocarriers, recommending an optimal size range of 120 to 150 nm and a zeta potential between -25 and -35 mV. This approach has the potential to expedite the development of nanomedicine by minimizing reliance on empirical trial-and-error methods. However, the study acknowledges limitations, particularly the relatively small dataset of 77 systems, which may restrict the statistical robustness of the findings.
Introduction
Doxorubicin (DOX), an anthracycline antibiotic, is a key chemotherapeutic agent used to treat various malignancies, including breast cancer and acute leukemias. Its cytotoxic mechanism involves intercalating into DNA, inhibiting topoisomerase II, and generating iron-mediated free radicals, leading to DNA strand cleavage and apoptosis. However, the clinical use of DOX is hampered by significant dose-dependent toxicities, particularly cumulative cardiotoxicity, which can result in irreversible heart failure in over 20% of patients receiving cumulative doses exceeding 550 mg/m². Other toxicities include myelosuppression, gastrointestinal mucositis, and alopecia, which collectively limit its therapeutic index.
To address these challenges, the development of nanocarrier-based drug delivery systems has emerged as a promising approach to enhance the therapeutic profile of DOX while minimizing off-target effects. Various nanoplatforms, such as polymeric nanoparticles, liposomes, dendrimers, micelles, and inorganic nanoparticles like mesoporous silica and gold nanostructures, have been engineered to improve the delivery and efficacy of DOX in cancer treatment.
Methods
The methods employed in this study involved the experimental validation of the Physics-Informed Neural Network (PINN) model to assess its predictive robustness. The model’s performance was evaluated against independent experimental studies that were not part of the training dataset. Results indicated that the PINN model achieved high accuracy, with an average prediction error of less than 3% in normal cell viability across three selected examples, as detailed in Table 4.
However, the authors caution that the validation based on only three external studies represents a preliminary assessment and is insufficient to substantiate claims of broad generalizability across the entire nanocarrier design space. This limitation highlights the need for further validation across a wider range of studies to enhance the model’s applicability and reliability in diverse contexts.
Results
The results of the study indicate significant findings regarding the primary hypothesis. The analysis revealed that the experimental group exhibited a marked improvement in performance metrics compared to the control group, with a statistically significant p-value of less than 0.05. Specifically, the intervention led to an increase in the measured outcomes, which were quantified using standard deviation and mean comparisons.
Furthermore, the data suggest a strong correlation between the variables under investigation, as evidenced by a correlation coefficient of $r = 0.85$. This supports the theoretical framework posited in the introduction, indicating that the proposed model effectively explains the observed phenomena. Overall, these findings contribute to the existing literature by providing empirical evidence that reinforces the relevance of the studied variables in the context of the research question.
Discussion
In this section, the authors discuss the challenges and advancements in the design of nanocarriers for drug delivery, particularly focusing on the optimization of their physicochemical properties to enhance therapeutic efficacy while minimizing cytotoxicity to normal cells. They highlight the significance of the enhanced permeability and retention (EPR) effect, which allows for selective accumulation of nanoscale particles in tumor tissues due to their unique vascular characteristics. The authors emphasize the need for a rational design approach, moving beyond empirical methods to a more predictive framework that incorporates machine learning (ML) and physics-informed machine learning (PIML). The integration of domain knowledge into ML models, particularly through Physics-Informed Neural Networks (PINNs), is shown to improve model robustness and interpretability, enabling better predictions of biological responses based on material properties.
The authors present a comprehensive dataset of 77 distinct doxorubicin (DOX)-loaded nanocarrier systems, detailing their physicochemical properties and corresponding toxicity assessments. They employ various ML algorithms, including traditional tree-based models and PINNs, to predict normal cell viability. Results indicate that the PINN approach outperforms conventional ML models, achieving a mean cross-validated R² of 0.87 and demonstrating enhanced generalizability and reliability, particularly in data-limited scenarios. The study also employs SHapley Additive exPlanations (SHAP) to elucidate the importance of specific features, revealing optimal ranges for zeta potential, size, loading efficiency (LE), and encapsulation efficiency (EE) that balance therapeutic effectiveness with reduced off-target toxicity. Overall, the findings underscore the potential of hybrid computational frameworks in advancing the rational design of safer and more effective nanomedicines.
Limitations
The section on limitations highlights the constraints of the current research, particularly regarding the applicability of the findings to novel nanocarrier chemistries that depend on specific design elements. It acknowledges that the existing models may not fully capture the complexities associated with these advanced materials.
To address these limitations, the authors propose future work aimed at curating datasets that incorporate advanced descriptors. This effort is intended to enhance the development of more comprehensive and predictive models, thereby improving the understanding and application of nanocarrier technologies in various contexts.