DOI: https://doi.org/10.1038/s41597-025-04621-9
PMID: https://pubmed.ncbi.nlm.nih.gov/40025040
تاريخ النشر: 2025-03-01
المؤلف: Zeqing Bao وآخرون
الموضوع الرئيسي: أنظمة توصيل الأدوية المتقدمة
نظرة عامة
يتناول قسم ورقة البحث أهمية الجسيمات الدقيقة البوليمرية (MPs)، وخاصة تلك المصنوعة من بولي (لاكتيد-كوجلايكولايد) (PLGA)، في تطوير التركيبات القابلة للحقن طويلة المفعول. تسهل هذه الجسيمات الإفراج المستدام عن الأدوية، مما يعد ميزة لإدارة الأمراض المزمنة من خلال تقليل تكرار الجرعات وتعزيز التزام المرضى. لمساعدة في تصميم وتطوير جسيمات PLGA، قام المؤلفون بتجميع مجموعة بيانات شاملة من الأدبيات الموجودة، تشمل 321 دراسة إفراج في المختبر عبر 89 دواء مختلف.
تعد هذه المجموعة من البيانات موردًا قيمًا للباحثين، حيث تقدم رؤى حول مساحة التصميم الحالية لجسيمات PLGA وتعزز المنهجيات المعتمدة على البيانات، بما في ذلك التعلم الآلي، لتطوير الجسيمات في المستقبل. من خلال نشرها كإمكانية وصول مفتوح، تهدف مجموعة البيانات إلى تعزيز الاستخدام الواسع والابتكار في صياغة الجسيمات الدقيقة البوليمرية، مما يوسع في النهاية نطاق الخيارات العلاجية المتاحة.
مقدمة
تناقش مقدمة هذه الورقة البحثية أهمية الجسيمات الدقيقة البوليمرية (MPs) كتركيبات قابلة للحقن طويلة المفعول (LAI) التي تمكن من الإفراج الممتد عن العوامل العلاجية، مما يعزز من حركية الأدوية وامتثال المرضى، خاصة في إدارة الأمراض المزمنة. يتم تسليط الضوء على بولي (لاكتيد-كوجلايكولايد) (PLGA) كالبوليمر المفضل لهذه التركيبات نظرًا لتوافقه الحيوي، وقابليته للتعديل، وقابلية تحلله البيولوجي. على الرغم من نجاح PLGA في التطبيقات السريرية، مع الموافقة على حوالي عشرة من جسيمات PLGA منذ الأول في عام 1989، فإن تعقيد مساحة تصميم التركيبات يشكل تحديات كبيرة. غالبًا ما يؤدي هذا التعقيد إلى تركيز ضيق على معلمات التركيب المحددة، والتي قد لا تكون مثالية لجميع العوامل العلاجية.
لمعالجة هذه التحديات، يقترح المؤلفون دمج التعلم الآلي (ML) كنهج معتمد على البيانات لاستكشاف مساحة تصميم التركيبات بشكل أكثر كفاءة. يقدمون مجموعة بيانات شاملة، تم استخراجها من الأدبيات، تتكون من 321 تجربة إفراج لجسيمات PLGA في المختبر مع 4,913 نقطة زمنية للإفراج من 113 منشور. يُزعم أن هذه المجموعة من البيانات هي المورد الأكثر شمولاً المتاح للوصول المفتوح لجسيمات PLGA المحملة بالأدوية، والتي تهدف إلى تسهيل تصميم الجسيمات في المستقبل وتطوير نماذج التعلم الآلي. من خلال توفير هذه المجموعة من البيانات، يعتزم المؤلفون دعم جهود البحث الأوسع وتشجيع استكشاف بوليمرات وأشكال جرعات أخرى في هذا المجال.
طرق
يستعرض قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. يوضح تصميم التجارب، بما في ذلك اختيار المواد، وتحضير العينات، والبروتوكولات المحددة المتبعة لضمان إمكانية التكرار. كما يتم وصف الأساليب الإحصائية المستخدمة لتحليل البيانات، مع تسليط الضوء على التقنيات المستخدمة لتقييم أهمية النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات حول النماذج الرياضية أو المعادلات المطبقة لتفسير البيانات، مما يضمن أن تكون النتائج مستندة إلى أطر تحليلية قوية. تم تصميم المنهجيات لمعالجة أسئلة البحث بشكل فعال، مما يوفر مسارًا واضحًا من صياغة الفرضيات إلى جمع البيانات وتحليلها. بشكل عام، يخدم هذا القسم في التحقق من عملية البحث ويدعم موثوقية النتائج المقدمة في الدراسة.
مناقشة
في هذا القسم، يوضح المؤلفون منهجية جمع البيانات ومعالجة دراسات الجسيمات الدقيقة PLGA (MP) المتعلقة بتوصيل الأدوية. أسفرت البحث الأولي عن 1231 مقالة من قاعدة بيانات Web of Science، والتي تم تنقيحها بناءً على معايير محددة: الصلة بتوصيل الجزيئات الصغيرة، اكتمال ملفات الإفراج في المختبر (حد أدنى 72 ساعة مع أكثر من 60% إفراج عن الدواء)، واستخدام طريقة المستحلب لتحضير التركيبات. بعد الفحص اليدوي، استوفى 113 ورقة هذه المعايير، وتم استخراج الأوصاف ذات الصلة لمزيد من التحليل.
تم إجراء هندسة الميزات وتنظيف البيانات لتعزيز فائدة مجموعة البيانات لتطبيقات التعلم الآلي. تم حساب أوصاف الأدوية الرئيسية، بما في ذلك الوزن الجزيئي، ومساحة السطح القطبي الطوبولوجي (TPSA)، وLogP، باستخدام مكتبة ‘RDKit’ بناءً على سلاسل SMILES المجمعة. خضعت مجموعة البيانات المعالجة، التي تشمل 321 تجربة إفراج في المختبر و4913 نقطة إفراج، لتحليل الارتباط باستخدام معاملات الارتباط بيرسون، وتم تصورها من خلال خرائط الحرارة. لضمان جودة البيانات وتقليل التحيز، تم تنفيذ عملية مراجعة مزدوجة أثناء جمع البيانات، وتم توحيد جميع الوحدات لضمان الاتساق. تتوفر مجموعة البيانات النهائية كإمكانية وصول مفتوح من خلال Mendeley Data، مصحوبة بالملفات ذات الصلة وأكواد Python لمزيد من التحليل.
DOI: https://doi.org/10.1038/s41597-025-04621-9
PMID: https://pubmed.ncbi.nlm.nih.gov/40025040
Publication Date: 2025-03-01
Author(s): Zeqing Bao et al.
Primary Topic: Advanced Drug Delivery Systems
Overview
The research paper section discusses the significance of polymer microparticles (MPs), particularly those made from poly(lactide-coglycolide) (PLGA), in the development of long-acting injectable formulations. These MPs facilitate sustained drug release, which is advantageous for chronic disease management by minimizing dosing frequency and enhancing patient adherence. To aid in the design and development of PLGA MPs, the authors have compiled a comprehensive dataset from existing literature, encompassing 321 in vitro release studies across 89 different drugs.
This dataset serves as a valuable resource for researchers, providing insights into the current design space of PLGA MPs and promoting data-driven methodologies, including machine learning, for future MP development. By being published as open access, the dataset is intended to foster widespread use and innovation in the formulation of polymer microparticles, ultimately broadening the scope of available therapeutic options.
Introduction
The introduction of this research paper discusses the significance of polymer microparticles (MPs) as long-acting injectable (LAI) formulations that enable the extended release of therapeutic agents, thereby enhancing drug pharmacokinetics and patient compliance, particularly in chronic disease management. Poly(lactide-co-glycolide) (PLGA) is highlighted as the preferred polymer for these formulations due to its biocompatibility, tunability, and biodegradability. Despite the success of PLGA in clinical applications, with only about ten PLGA MPs approved since the first in 1989, the complexity of the formulation design space poses significant challenges. This complexity often results in a narrow focus on specific formulation parameters, which may not be optimal for all therapeutic agents.
To address these challenges, the authors propose the integration of machine learning (ML) as a data-driven approach to explore the formulation design space more efficiently. They present a comprehensive, literature-mined dataset comprising 321 in vitro PLGA MP release experiments with 4,913 release time points from 113 publications. This dataset is claimed to be the most extensive open-access resource available for drug-loaded PLGA MPs, aimed at facilitating future MP design and ML model development. By providing this dataset, the authors intend to support broader research efforts and encourage the exploration of other polymers and dosage forms in the field.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. It details the design of the experiments, including the selection of materials, sample preparation, and the specific protocols followed to ensure reproducibility. The statistical methods used for data analysis are also described, highlighting the techniques employed to assess the significance of the results.
Additionally, the section may include information on the mathematical models or equations applied to interpret the data, ensuring that the findings are grounded in robust analytical frameworks. The methodologies are designed to address the research questions effectively, providing a clear pathway from hypothesis formulation to data collection and analysis. Overall, this section serves to validate the research process and supports the reliability of the findings presented in the study.
Discussion
In this section, the authors detail the methodology for data collection and processing of PLGA microparticle (MP) studies relevant to drug delivery. The initial search yielded 1231 articles from the Web of Science database, which were refined based on specific criteria: relevance to small molecule delivery, completeness of in vitro release profiles (minimum 72 hours with over 60% drug release), and the use of the emulsion method for formulation preparation. After manual screening, 113 papers met these criteria, and relevant descriptors were extracted for further analysis.
Feature engineering and data cleaning were conducted to enhance the dataset’s utility for machine learning applications. Key drug descriptors, including molecular weight, topological polar surface area (TPSA), and LogP, were computed using the ‘RDKit’ library based on the collected SMILES strings. The processed dataset, which includes 321 in vitro release experiments and 4913 release points, underwent correlation analysis using Pearson correlation coefficients, visualized through heatmaps. To ensure data quality and minimize bias, a dual review process was implemented during data collection, and all units were standardized for consistency. The final dataset is available as open-access through Mendeley Data, accompanied by relevant files and Python codes for further analysis.