DOI: https://doi.org/10.1002/smtd.70663
PMID: https://pubmed.ncbi.nlm.nih.gov/42065651
تاريخ النشر: 2026-05-01
المؤلف: Junghu Lee وآخرون
الموضوع الرئيسي: تعلم الآلة في المعلوماتية الحيوية
نظرة عامة
يقدم هذا القسم من ورقة البحث إطارًا جديدًا يدمج تكنولوجيا التحليل العملي في الخط (PAT) مع التعلم الآلي (ML) لتعزيز دقة توقع حجم جزيئات الليبوسوم، وهو أمر حاسم لتوصيل الأدوية بشكل فعال. يحقق النموذج المطور خطأ متوسط الجذر التربيعي (RMSE) قدره 7.18 نانومتر، مما يدل على دقة عالية مع بيانات تجريبية محدودة. من خلال دمج الخصائص الفيزيائية الكيميائية للغشاء، لا يقتصر النموذج على التعميم الجيد في الظروف غير المرئية (RMSE قدره 7.53 نانومتر) ولكنه يوفر أيضًا قابلية التفسير من خلال تفسيرات شابلي الإضافية (SHAP)، موضحًا التفاعلات بين معلمات العملية وبيانات PAT.
تؤكد النتائج على فعالية استراتيجية PAT-ML في تحقيق توقعات موثوقة لحجم الجسيمات، حتى في ظل ظروف التصنيع الجديدة. تشير الفجوة الضئيلة في الأداء بين التحقق الداخلي وأخطاء الاختبار الخارجية إلى أن النموذج قد نجح في التقاط الهيكل الأساسي للبيانات، بدلاً من التكيف المفرط مع مجموعة بيانات التدريب. يتماشى هذا الدمج بين PAT و ML مع مبادئ الجودة حسب التصميم (QbD)، مما يوفر مخططًا عمليًا للتطوير السريع والدقيق للأدوية النانوية الليبوسومية مع تلبية المعايير التنظيمية ومعايير مراقبة الجودة.
مقدمة
تناقش مقدمة هذه الورقة البحثية أهمية أنظمة توصيل الأدوية الليبوسومية، مشددة على أن حجم الجسيمات هو سمة جودة حاسمة (CQA) تؤثر على السلوك داخل الجسم، بما في ذلك نصف العمر في الدورة الدموية، التوزيع الحيوي، الامتصاص الخلوي، الفعالية، والسلامة. تتطلب الهيئات التنظيمية مثل FDA و ICH Q6B رقابة صارمة على متوسط حجم الجسيمات وتوزيعها في التركيبات الليبوسومية. تبرز الورقة مزايا الأنظمة الميكروفلويدية لإنتاج الليبوسومات ذات توزيعات حجم ضيقة من خلال الخلط المنضبط للطورين الدهني والمائي، مع الإشارة أيضًا إلى التفاعل المعقد للمعلمات الحرجة للعملية مثل تركيز الدهون ومعدلات التدفق على حجم الجسيمات النهائي.
يقترح المؤلفون نهجًا جديدًا يدمج التعلم الآلي (ML) مع التحليل الطيفي الفلوري في الخط لتوقع حجم الليبوسوم أثناء التخليق. يجادلون بأن تحسين أداء ML قد يعتمد أكثر على الصلة الفيزيائية الكيميائية لميزات الإدخال بدلاً من مجرد زيادة حجم مجموعة البيانات. تهدف هذه الدراسة إلى سد الفجوة بين نتائج حجم الجسيمات غير المؤكدة وتوقعات مدفوعة بالتعلم الآلي، مقدمة إطارًا عمليًا لتحسين التحكم في حجم الليبوسوم. بالإضافة إلى ذلك، تحدد الورقة طريقة لتحليل نطاق تطبيق نموذج ML، باستخدام المسافة الإقليدية لتقييم أخطاء التوقع بالنسبة لمجموعة التدريب، مما يوضح أن النموذج يحافظ على أخطاء توقع منخفضة حتى في ظل ظروف متغيرة.
طرق
في القسم التجريبي من الدراسة، تم استخدام مواد متنوعة لعمليات التصنيع والتحليل. تم الحصول على مادة الفوتوريسست السلبية SU-8 2100 من Micro-Chemicals GmbH، والتي تم استخدامها لإنشاء قالب رئيسي من السيليكون على شريحة سيليكون بسمك 525 ميكرومتر. بالنسبة للتشكيل اللين، تم خلط بولي دايميثيل سيليوكسان (PDMS، Sylgard 184) مع عامل معالجة بنسبة 10:1، تم الحصول عليه من Dow Corning. بالإضافة إلى ذلك، تم الحصول على مكونات الدهون مثل 1،2-ديويلوي-سن-غليسيرول-3-فوسفات كولين (DOPC) من FUJIFILM Wako Pure Chemical Corporation، بينما تم الحصول على الكوليسترول والصفار من صفار البيض من Sigma-Aldrich. تم أيضًا تضمين المجس الفلوري 1،6-دي فينيل-1،3،5-هيكستراين (DPH) ولوريدان (6-دودكانويل-N،N-ثنائي ميثيل-2-نافثيل أمين) في الدراسة، مع الحصول على لوريدان من Cayman Chemical.
تشير هذه المجموعة الشاملة من المواد إلى التركيز على الأنظمة القائمة على الدهون وخصائصها، وهو أمر حاسم للإجراءات التجريبية اللاحقة الموضحة في الورقة. يشير استخدام كواشف عالية الجودة ونسب دقيقة إلى نهج دقيق لضمان موثوقية و reproducibility النتائج التجريبية.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج الناتجة عن اختبارات متنوعة، مع تسليط الضوء على الاتجاهات والأنماط المهمة التي لوحظت في البيانات. غالبًا ما تكون النتائج مصحوبة بتحليلات إحصائية ذات صلة، بما في ذلك قيم p أو فترات الثقة، لدعم صحة النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم تمثيلات بصرية مثل الرسوم البيانية أو الجداول التي توضح العلاقات بين المتغيرات أو فعالية التدخلات. تساعد هذه الوسائل البصرية في تعزيز فهم القارئ للبيانات وتوفير مقارنة واضحة للنتائج عبر ظروف أو مجموعات مختلفة. بشكل عام، تسهم النتائج في الآثار الأوسع للبحث، مقدمة رؤى حول الآليات الأساسية أو التطبيقات المحتملة للدراسة.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على فعالية تكنولوجيا التحليل العملي في الخط (PAT) المدمجة مع التعلم الآلي (ML) في توقع حجم جزيئات الليبوسوم ومؤشر التوزيع المتعدد (PDI). تفيد الدراسة بوجود نطاق ديناميكي واسع من أحجام الجسيمات (29.87 نانومتر إلى 152.97 نانومتر) مع وسيلة قدرها 94.89 نانومتر ومؤشر توزيع متعدد منخفض باستمرار (المتوسط: 0.20)، مما يدل على تكرار عالٍ وتوزيع أحادي في العملية الميكروفلويدية. كشفت تحليل ارتباط رتبة سبيرمان عن علاقات قوية بين المعلمات الفيزيائية الكيميائية، وخاصة الكارهية للماء والصلابة، وحجم الجسيمات، مما يثبت استخدام بيانات PAT في الخط كميزات حاسمة لتوقعات ML.
تم استخدام خمسة خوارزميات ML لتوقع خصائص الليبوسوم، حيث حققت آلة الدعم المتعددة الحدود (P-SVM) والانحدار الخطي (LR) أعلى دقة لتوقعات حجم الجسيمات و PDI، على التوالي. أوضح تحليل SHAP أيضًا مساهمات ميزات الإدخال، محددًا معدل التدفق الكلي (TFR) كأهم عامل يؤثر على حجم الجسيمات. كما أظهرت الدراسة قدرة النموذج على التعميم من خلال التحقق الخارجي، محققة RMSE قدره 7.53 نانومتر في ظروف غير مرئية، مما يؤكد قوة إطار PAT-ML في الخط. بشكل عام، تؤكد النتائج على إمكانية دمج PAT في الخط مع ML لتعزيز دقة التوقعات وتسهيل المراقبة في الوقت الحقيقي في تصنيع الليبوسومات، مما يتماشى مع التوقعات التنظيمية لمراقبة الجودة المتسقة.
القيود
تسلط القيود في هذه الدراسة الضوء على الحاجة إلى مزيد من البحث لتعزيز قدرات نموذج إثبات مفهوم PAT (تكنولوجيا التحليل العملي في الخط)، خاصة في سياق صياغة النانوميديسين. بينما يعالج النموذج الحالي حجم الجسيمات بشكل فعال، من الضروري توسيع قدراته التنبؤية لتشمل سمات جودة حاسمة أخرى (CQAs)، مثل الجهد الكهربائي. بالإضافة إلى ذلك، فإن التحقق من مجموعة أوسع من التركيبات غير المرئية ضروري لضمان قابلية تعميم النموذج. يجب إدارة التوازن بين قابلية استخدام النموذج ودقة التوقع بعناية، حيث إن دمج المعلمات التجريبية مثل مقاييس PAT الفلورية في الخط يزيد من تكلفة التوقع والجهد التجريبي.
على الرغم من هذه التحديات، تظهر الدراسة أن تضمين المعلمات المتقدمة يحسن من دقة التوقع والتعميم على تركيبات الدهون الجديدة. وبالتالي، يتم وضع إطار PAT-ML كأداة قيمة لتطوير الصياغة المبكرة وتحسين العمليات. من المحتمل أن تشمل التطبيقات المستقبلية أنظمة محملة بالأدوية أكثر تعقيدًا، مما يتطلب فهمًا أساسيًا تم تأسيسه من خلال الليبوسومات الخالية من الأدوية لتمييز التغيرات الناتجة عن العملية عن تفاعلات الأدوية مع الأغشية. علاوة على ذلك، يسمح التصميم المعياري للمنصة بإمكانية دمج خطوات المعالجة التلقائية اللاحقة، مثل الترشيح بالتدفق الجانبي والفحص القائم على تدرج التركيب المستمر، مما يمهد الطريق للتقدم المستقبلي في هذا المجال.
DOI: https://doi.org/10.1002/smtd.70663
PMID: https://pubmed.ncbi.nlm.nih.gov/42065651
Publication Date: 2026-05-01
Author(s): Junghu Lee et al.
Primary Topic: Machine Learning in Bioinformatics
Overview
This research paper section presents a novel framework that integrates in-line process analytical technology (PAT) with machine learning (ML) to enhance the precision of liposome particle size prediction, which is crucial for effective drug delivery. The developed model achieves a root mean square error (RMSE) of 7.18 nm, demonstrating high accuracy with limited experimental data. By incorporating physicochemical membrane characteristics, the model not only generalizes well to unseen conditions (RMSE of 7.53 nm) but also provides interpretability through Shapley additive explanations (SHAP), elucidating the interactions between process parameters and PAT data.
The findings underscore the effectiveness of the in-line PAT-ML strategy in achieving reliable particle size predictions, even under novel manufacturing conditions. The minimal performance gap between internal validation and external test errors indicates that the model has successfully captured the underlying data structure, rather than overfitting to the training dataset. This integration of PAT and ML aligns with quality by design (QbD) principles, offering a practical blueprint for the rapid and precise development of liposomal nanomedicines while meeting regulatory and quality control standards.
Introduction
The introduction of this research paper discusses the significance of liposomal drug delivery systems, emphasizing that particle size is a critical quality attribute (CQA) that influences in vivo behavior, including circulation half-life, biodistribution, cellular uptake, efficacy, and safety. Regulatory bodies such as the FDA and ICH Q6B require rigorous control of mean particle size and its distribution in liposomal formulations. The paper highlights the advantages of microfluidic systems for producing liposomes with narrow size distributions through controlled mixing of lipid and aqueous phases, while also noting the complex interplay of critical process parameters like lipid concentration and flow rates on final particle size.
The authors propose a novel approach that integrates machine learning (ML) with in-line fluorescence spectroscopy for predicting liposome size during synthesis. They argue that improving ML performance may depend more on the physicochemical relevance of input features than merely increasing dataset size. This study aims to bridge the gap between uncertain particle size outcomes and ML-driven predictions, offering a practical framework for optimizing liposome size control. Additionally, the paper outlines a method for analyzing the applicability domain of the ML model, using Euclidean distance to assess prediction errors relative to the training set, demonstrating that the model maintains low prediction errors even under varying conditions.
Methods
In the experimental section of the study, various materials were utilized for the fabrication and analysis processes. The negative photoresist SU-8 2100 was sourced from Micro-Chemicals GmbH, which was employed to create a silicon master mold on a silicon wafer of 525 µm thickness. For soft molding, Polydimethylsiloxane (PDMS, Sylgard 184) was mixed with a curing agent in a 10:1 ratio, obtained from Dow Corning. Additionally, lipid components such as 1,2-dioleoyl-sn-glycero-3-phosphocholine (DOPC) were procured from FUJIFILM Wako Pure Chemical Corporation, while cholesterol and egg yolk sphingomyelin were acquired from Sigma-Aldrich. The fluorescent probe 1,6-diphenyl-1,3,5-hexatriene (DPH) and Laurdan (6-dodecanoyl-N,N-dimethyl-2-naphthylamine) were also included in the study, with Laurdan sourced from Cayman Chemical.
This comprehensive selection of materials indicates a focus on lipid-based systems and their characterization, which is critical for the subsequent experimental procedures outlined in the paper. The use of high-quality reagents and precise ratios suggests a meticulous approach to ensuring the reliability and reproducibility of the experimental results.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of various tests, highlighting significant trends and patterns observed in the data. The results are often accompanied by relevant statistical analyses, including p-values or confidence intervals, to support the validity of the findings.
Additionally, the section may include visual representations such as graphs or tables that illustrate the relationships between variables or the effectiveness of interventions. These visual aids serve to enhance the reader’s understanding of the data and provide a clear comparison of results across different conditions or groups. Overall, the findings contribute to the broader implications of the research, offering insights into the underlying mechanisms or potential applications of the study.
Discussion
The discussion section of the research paper highlights the effectiveness of an in-line Process Analytical Technology (PAT) integrated with machine learning (ML) for predicting liposome particle size and polydispersity index (PDI). The study reports a wide dynamic range of particle sizes (29.87 nm to 152.97 nm) with a median of 94.89 nm and a consistently low polydispersity index (mean: 0.20), indicating high reproducibility and monodispersity in the microfluidic process. Spearman’s rank correlation analysis revealed strong relationships between physicochemical parameters, particularly hydrophobicity and rigidity, and particle size, validating the use of in-line PAT data as critical features for ML predictions.
Five ML algorithms were employed to predict liposome characteristics, with polynomial support vector machine (P-SVM) and linear regression (LR) yielding the highest accuracy for particle size and PDI predictions, respectively. The SHAP analysis further elucidated the contributions of input features, identifying total flow rate (TFR) as the most significant factor influencing particle size. The study also demonstrated the model’s generalization capability through external validation, achieving an RMSE of 7.53 nm on unseen conditions, confirming the robustness of the in-line PAT-ML framework. Overall, the findings underscore the potential of integrating in-line PAT with ML to enhance predictive accuracy and facilitate real-time monitoring in liposome manufacturing, aligning with regulatory expectations for consistent quality control.
Limitations
The limitations of this study highlight the need for further research to enhance the capabilities of the in-line PAT (Process Analytical Technology) proof-of-concept, particularly in the context of nanomedicine formulation. While the current model effectively addresses particle size, it is essential to expand its predictive capabilities to include other critical quality attributes (CQAs), such as zeta potential. Additionally, validation with a broader range of unseen formulations is necessary to ensure the model’s generalizability. The trade-off between model usability and prediction accuracy must be carefully managed, as incorporating experimental parameters like in-line fluorescence PAT metrics increases both the prediction cost and experimental effort.
Despite these challenges, the study demonstrates that including advanced parameters improves predictive accuracy and generalization to new lipid formulations. The PAT-ML framework is thus positioned as a valuable tool for early formulation development and process optimization. Future applications will likely involve more complex drug-loaded systems, necessitating a foundational understanding established through drug-free liposomes to differentiate process-induced variations from drug-membrane interactions. Furthermore, the modular design of the platform allows for the potential integration of automated downstream processing steps, such as tangential flow filtration and continuous composition gradient-based screening, paving the way for future advancements in the field.