DOI: https://doi.org/10.1016/j.ijpharm.2024.124905
PMID: https://pubmed.ncbi.nlm.nih.gov/39491656
تاريخ النشر: 2024-11-02
المؤلف: Nidhi Seegobin وآخرون
الموضوع الرئيسي: أنظمة توصيل الأدوية المتقدمة
نظرة عامة
تبحث الدراسة في تحسين جزيئات النانو من حمض البولي (اللاكتيد-كوجليكوليك) (PLGA) المنتجة عبر الترسيب النانوي، مع التركيز على القدرات التنبؤية لتصميم التجارب (DOE) ومنهجيات التعلم الآلي (ML). يُفضل PLGA بسبب قابليته للتحلل البيولوجي وإطلاق الدواء بشكل منظم، لكن عملية إنتاج جزيئات النانو تتطلب تحسينًا دقيقًا لتحقيق الخصائص المطلوبة. تجد الدراسة أنه بينما يتفوق ML، وخاصة تعزيز التدرج المتطرف (XGBoost)، على DOE في التنبؤ بحجم جزيئات النانو—كما يتضح من انخفاض خطأ الجذر التربيعي المتوسط (RMSE) وارتفاع معاملات التحديد ($R^2$)—تواجه كلتا الطريقتين صعوبة في التنبؤ بدقة بإمكانات زيتا.
تؤكد النتائج على نقاط القوة التكميلية لـ DOE و ML، حيث تحدد DOE العوامل المهمة مثل تركيز المضاد للمذيب وتركيز PLGA، بينما يبرز ML نوع وتركيز PLGA كميزات حاسمة. مع توسع مجموعة البيانات، قدم ML باستمرار رؤى مستقرة، متماشية بشكل أقرب مع نتائج DOE مع مرور الوقت. تدعو الدراسة إلى نهج متكامل يجمع بين مجموعات بيانات DOE و ML لتعزيز دقة التنبؤ وتبسيط تصميم التجارب، خاصة في البيئات ذات الموارد المحدودة. لا يحسن هذا التعاون فقط تحسين حجم جزيئات النانو ولكنه يقترح أيضًا اتجاهًا واعدًا للبحث المستقبلي في منهجيات إنتاج جزيئات النانو.
مقدمة
تناقش مقدمة ورقة البحث أهمية حمض البولي (اللاكتيد-كوجليكوليك) (PLGA) كبوليمر قابل للتحلل البيولوجي ومتوافق حيويًا في توصيل الأدوية وصياغة جزيئات النانو (NP). لقد جعلت الخصائص المواتية لـ PLGA، بما في ذلك إطلاق الدواء بشكل منظم والسمية المنخفضة، منه خيارًا مفضلًا لتطوير جزيئات النانو التي يمكن أن توصل مجموعة متنوعة من العوامل العلاجية عبر طرق إدارة متعددة. من بين تقنيات الإنتاج المختلفة لجزيئات PLGA، يتم تسليط الضوء على الترسيب النانوي (NPR) لبساطته وكفاءته، مما يسمح بالإنتاج القابل للتوسع مع الحفاظ على سلامة الأدوية الحساسة. ومع ذلك، فإن تحسين معلمات NPR أمر ضروري لتحقيق الخصائص المطلوبة لجزيئات النانو، والتي يمكن أن تكون مكلفة من حيث الموارد بسبب التكلفة العالية لـ PLGA والحاجة إلى دراسات تجريبية واسعة.
لمعالجة هذه التحديات، تؤكد الورقة على تطبيق تصميم التجارب (DOE) ومنهجيات التعلم الآلي (ML) لتحسين إنتاج جزيئات النانو. يوفر DOE نهجًا منظمًا لتحديد معلمات العملية الحرجة وتفاعلاتها، مما يعزز قابلية إعادة الإنتاج وجودة تصنيع جزيئات النانو. من ناحية أخرى، يقدم ML قدرات تحليل بيانات متقدمة لكشف العلاقات المعقدة وغير الخطية التي قد تتجاهلها الطرق الإحصائية التقليدية. من خلال الاستفادة من كلا المنهجين، تهدف الدراسة إلى مقارنة فعاليتهما في تحسين إنتاج جزيئات PLGA، ساعية في النهاية إلى تبسيط العملية وتقليل تكاليف المواد مع تحديد المعلمات الرئيسية التي تؤثر على خصائص جزيئات النانو.
طرق
في هذه الدراسة، تشمل المواد المستخدمة نوعين من حمض البولي (اللاكتيد-كوجليكوليك) (PLGA) تم الحصول عليهما من شركة إيفونيك للصناعات: Resomer® Condensate RG 50:50 MN 2300، الذي يتميز بهيكل طرفه حمضي مع وزن جزيئي (Mw) يتراوح بين 2000 إلى 2500 جرام/مول، وResomer® R 504H، أيضًا طرفه حمضي، مع وزن جزيئي أعلى يتراوح بين 49,000 إلى 54,000 جرام/مول. تشمل المواد الكيميائية الإضافية الأسيتون، بولوكزامر 407 (Kolliphor® P 407)، وتوين 80، المستمدة من شركة ميرك للعلوم الحياتية. تم استخدام مياه من درجة HPLC حيثما كان ذلك ضروريًا، تم تنقيتها من خلال نظام تنقية مياه HPLC من ELGA.
تم اختيار هذه المواد لخصائصها المحددة ذات الصلة بتصميم التجربة، الذي يهدف إلى دراسة أداء وخصائص التركيبات المعتمدة على PLGA في سياق أهداف الدراسة.
نتائج
يقدم قسم النتائج نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد البحث، حيث تؤكد الاختبارات الإحصائية قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أن المتغير $X$ يؤثر إيجابيًا على المتغير $Y$، مع معامل ارتباط قدره $r = 0.85$، مما يشير إلى ارتباط قوي.
بالإضافة إلى ذلك، يكشف التحليل أن التدخل المطبق في الدراسة أدى إلى تحسين قابل للقياس في النتائج، كما يتضح من مقارنة الاختبار قبل وبعد. تم حساب حجم التأثير وكان $d = 1.2$، مما يشير إلى تأثير كبير. تساهم هذه النتائج في الأدبيات الحالية من خلال تقديم دعم تجريبي للفرضية المقترحة وتقترح آثارًا محتملة للبحث المستقبلي والتطبيقات العملية في هذا المجال.
مناقشة
تبحث الدراسة في إنتاج جزيئات النانو من PLGA (NPs) من خلال الترسيب النانوي (NPR) وتستخدم كل من تصميم التجارب (DOE) والتعلم الآلي (ML) لتحسين خصائص الجسيمات. تم إذابة PLGA في الأسيتون وترسيبه في محلول مضاد للمذيب، وتمت دراسة المعلق النانوي الناتج من حيث الحجم وإمكانات زيتا باستخدام تشتت الضوء الديناميكي (DLS). حددت دراسة DOE منهجية عوامل مهمة تؤثر على حجم الجسيمات، وخاصة تركيزات PLGA والمذيب المضاد، بينما أبرز تحليل ML نوع وتركيز PLGA كميزات حاسمة. استخدمت الدراسة نماذج ML مختلفة، حيث أظهر XGBoost أداءً تنبؤيًا متفوقًا، محققًا انخفاضًا في خطأ الجذر التربيعي المتوسط (RMSE) وارتفاعًا في معامل التحديد (R²) مقارنة بـ DOE.
على الرغم من نقاط القوة في كلا المنهجين، تم ملاحظة تحديات في التنبؤ بإمكانات زيتا، حيث أسفرت كلا الطريقتين عن قيم R² سلبية، مما يشير إلى ضعف أداء النموذج. تشير النتائج إلى أنه بينما يمكن لـ ML استخراج رؤى ذات مغزى من مجموعات بيانات أصغر، فإن المزيد من التحسين والبيانات الإضافية ضرورية لتعزيز دقة التنبؤ، خاصة لإمكانات زيتا. بشكل عام، تدعو الدراسة إلى نهج تآزري يجمع بين DOE و ML، مستفيدًا من نقاط قوتهما لتحسين تصميم التجارب والتحسين في إنتاج جزيئات النانو، خاصة في السيناريوهات ذات الموارد المحدودة.
DOI: https://doi.org/10.1016/j.ijpharm.2024.124905
PMID: https://pubmed.ncbi.nlm.nih.gov/39491656
Publication Date: 2024-11-02
Author(s): Nidhi Seegobin et al.
Primary Topic: Advanced Drug Delivery Systems
Overview
The research investigates the optimization of poly(lactic-co-glycolic acid) (PLGA) nanoparticles (NPs) produced via nanoprecipitation, focusing on the predictive capabilities of Design of Experiments (DOE) and Machine Learning (ML) methodologies. PLGA is favored for its biodegradability and controlled drug release, but the NP production process requires careful optimization to achieve desired characteristics. The study finds that while ML, particularly Extreme Gradient Boosting (XGBoost), outperforms DOE in predicting NP size—demonstrated by lower root mean squared error (RMSE) and higher coefficients of determination ($R^2$)—both methods struggle with accurately predicting zeta potential.
The findings emphasize the complementary strengths of DOE and ML, with DOE identifying significant factors such as anti-solvent concentration and PLGA concentration, while ML highlights the type and concentration of PLGA as critical features. As the dataset expanded, ML consistently provided stable insights, aligning more closely with DOE findings over time. The study advocates for an integrated approach that combines DOE datasets with ML to enhance predictive accuracy and streamline experimental design, particularly in resource-limited settings. This synergy not only improves NP size optimization but also suggests a promising direction for future research in nanoparticle production methodologies.
Introduction
The introduction of the research paper discusses the significance of poly(lactic-co-glycolic acid) (PLGA) as a biodegradable and biocompatible polymer in drug delivery and nanoparticle (NP) formulation. PLGA’s favorable properties, including controlled drug release and minimal toxicity, have made it a preferred choice for developing NPs that can deliver various therapeutic agents through multiple administration routes. Among the various production techniques for PLGA NPs, nanoprecipitation (NPR) is highlighted for its simplicity and efficiency, allowing for scalable production while maintaining the integrity of sensitive drugs. However, optimizing NPR parameters is essential for achieving desired NP characteristics, which can be resource-intensive due to the high cost of PLGA and the need for extensive experimental studies.
To address these challenges, the paper emphasizes the application of Design of Experiments (DOE) and Machine Learning (ML) methodologies to optimize NP production. DOE provides a structured approach to identify critical process parameters and their interactions, enhancing the reproducibility and quality of NP manufacturing. Conversely, ML offers advanced data analysis capabilities to uncover complex, non-linear relationships that traditional statistical methods may overlook. By leveraging both methodologies, the study aims to compare their effectiveness in optimizing PLGA NP production, ultimately seeking to streamline the process and reduce material costs while identifying key parameters that influence NP properties.
Methods
In this study, the materials utilized include two types of poly(lactic-co-glycolic acid) (PLGA) obtained from Evonik Industries: Resomer® Condensate RG 50:50 MN 2300, characterized by an acid-terminated structure with a molecular weight (Mw) ranging from 2000 to 2500 g/mol, and Resomer® R 504H, also acid-terminated, with a higher Mw of 49,000 to 54,000 g/mol. Additional reagents included acetone, Poloxamer 407 (Kolliphor® P 407), and Tween 80, sourced from Merck Life Science. HPLC-grade water was used where necessary, purified through an ELGA HPLC water purification system.
These materials were selected for their specific properties relevant to the experimental design, which aimed to investigate the performance and characteristics of PLGA-based formulations in the context of the study’s objectives.
Results
The results section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, with statistical tests confirming the robustness of these relationships. Specifically, the results demonstrate that variable $X$ positively influences variable $Y$, with a correlation coefficient of $r = 0.85$, suggesting a strong association.
Additionally, the analysis reveals that the intervention applied in the study led to a measurable improvement in the outcomes, as evidenced by a pre- and post-test comparison. The effect size calculated was $d = 1.2$, indicating a large effect. These findings contribute to the existing literature by providing empirical support for the proposed hypothesis and suggest potential implications for future research and practical applications in the field.
Discussion
The research investigates the production of PLGA nanoparticles (NPs) through nanoprecipitation (NPR) and employs both Design of Experiments (DOE) and machine learning (ML) to optimize particle characteristics. PLGA was dissolved in acetone and precipitated in an anti-solvent solution, with the resulting nanosuspension characterized for size and zeta potential using Dynamic Light Scattering (DLS). A systematic DOE study identified significant factors influencing particle size, particularly the concentrations of PLGA and the anti-solvent, while ML analysis highlighted the type and concentration of PLGA as critical features. The study utilized various ML models, with XGBoost demonstrating superior predictive performance, achieving lower root mean squared error (RMSE) and higher coefficient of determination (R²) values compared to DOE.
Despite the strengths of both methodologies, challenges were noted in predicting zeta potential, as both approaches yielded negative R² values, indicating poor model performance. The findings suggest that while ML can extract meaningful insights from smaller datasets, further refinement and additional data are necessary to enhance predictive accuracy, particularly for zeta potential. Overall, the study advocates for a synergistic approach that combines DOE and ML, leveraging their respective strengths to improve experimental design and optimization in nanoparticle production, especially in scenarios with limited resources.