DOI: https://doi.org/10.3389/fchem.2026.1792340
PMID: https://pubmed.ncbi.nlm.nih.gov/41867949
تاريخ النشر: 2026-03-05
المؤلف: YingLian Qin وآخرون
الموضوع الرئيسي: الأطر العضوية المعدنية: التركيب والتطبيقات
نظرة عامة
في هذه الدراسة، هدف المؤلفون إلى إنشاء نماذج تنبؤية لسعة تحميل الدواء (غرام/غرام) ونسبة بقاء الخلايا (%) في الهياكل العضوية المعدنية (MOFs) لتقييم إمكانياتها في تطبيقات توصيل الأدوية. استخدموا الانحدار باستخدام العمليات الغاوسية (GPR) ونسخها المتقدمة، الانحدار باستخدام العمليات الغاوسية المتناثرة (SGPR) والانحدار باستخدام العمليات الغاوسية العميقة (DGPR)، كأساس لإطار نمذجةهم. خضعت مجموعة البيانات لعمليات معالجة مسبقة دقيقة، بما في ذلك اكتشاف القيم الشاذة عبر طريقة z-score، والتطبيع باستخدام مقياس Min-Max، وتقليل الأبعاد من خلال تحليل المكونات الرئيسية (PCA). تم إجراء تحسين المعلمات الفائقة باستخدام مُحسّن الفهد (CO).
من بين النماذج التي تم تقييمها، أظهر DGPR أعلى أداء، حيث حقق متوسط درجات التحقق المتقاطع $R^2$ قدره 0.99878 ± 0.000092 لسعة تحميل الدواء و0.99911 ± 0.000127 لنسبة بقاء الخلايا. لتعزيز القابلية للتفسير، تم استخدام تقنيات الذكاء الاصطناعي القابلة للتفسير، وخاصة SHAP (SHapley Additive exPlanations)، لتوضيح توقعات النموذج، مما يوفر رؤى قيمة حول تأثير الميزات المختلفة على النتائج.
مقدمة
تسلط المقدمة الضوء على الاهتمام المتزايد في المواد المسامية، وخاصة السيليكا المسامية والهياكل العضوية المعدنية (MOFs)، لتطبيقات الصيدلة، وخاصة في توصيل الأدوية والإفراج المنظم. يتم التأكيد على موثوقية MOFs كحاملات للأدوية، جنبًا إلى جنب مع ضرورة تقييم سميتها وسعة تحميلها لضمان السلامة والفعالية. نظرًا للتنوع الواسع في MOFs، يمكن أن تكون الطرق التجريبية التقليدية لتقييم هذه الخصائص كثيفة العمل ومكلفة. وبالتالي، يتم اقتراح الطرق الحاسوبية، وخاصة نماذج التعلم الآلي (ML)، كبدائل فعالة لتوقع سعة تحميل الدواء وسميته.
أظهرت التقدمات الأخيرة في ML قوتها ودقتها في توقع نتائج توصيل الأدوية. تناقش المقدمة تطوير نماذج ML مختلفة، بما في ذلك الشبكة العصبية متعددة الطبقات وغابة عشوائية، والتي أظهرت قدرات تنبؤية واعدة. ومع ذلك، تم الإشارة إلى القيود في تقدير عدم اليقين والقدرة على التقاط التفاعلات المعقدة في أنظمة MOF-دواء. تهدف هذه الدراسة إلى معالجة هذه الفجوات من خلال استخدام الانحدار باستخدام العمليات الغاوسية (GPR) ونسخها المتقدمة – GPR المتناثر (SGPR) وGPR العميق (DGPR) – لنمذجة العلاقات بين ميزات MOF والمخرجات الرئيسية. تقدم البحث سير عمل شامل يتضمن تقليل الأبعاد عبر تحليل المكونات الرئيسية (PCA) وتحسين المعلمات الفائقة باستخدام مُحسّن الفهد (CO). بالإضافة إلى ذلك، يدمج أدوات الذكاء الاصطناعي القابلة للتفسير لتعزيز القابلية للتفسير، مما يوفر في النهاية إطارًا احتماليًا يقيس عدم اليقين التنبؤي ويعكس العلاقات المعقدة داخل مجموعة البيانات، مما يسهل التصميم العقلاني لـ MOFs لتطبيقات توصيل الأدوية.
طرق
تحدد قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. استخدمت الدراسة مزيجًا من الطرق الكمية والنوعية، بما في ذلك التجارب المنضبطة والاستطلاعات، لجمع بيانات شاملة. تم إجراء التحليلات الإحصائية باستخدام أدوات البرمجيات لضمان موثوقية وصدق النتائج، مع تحديد مستويات الدلالة عند p < 0.05. بالإضافة إلى ذلك، تضمن تصميم البحث نهجًا متعدد المراحل، بدءًا من دراسة تجريبية لتعديل الأدوات والإجراءات. بعد ذلك، تم تجنيد عينة أكبر لتعزيز قابلية تعميم النتائج. تم تناول الاعتبارات الأخلاقية، بما في ذلك الموافقة المستنيرة وسرية بيانات المشاركين، لضمان الالتزام بالإرشادات المؤسسية. بشكل عام، تم هيكلة المنهجية لتسهيل جمع البيانات وتحليلها بشكل قوي، مما يساهم في استنتاجات الدراسة.
نتائج
يقدم قسم النتائج نتائج الدراسة، مسلطًا الضوء على النتائج الرئيسية المستمدة من البيانات التجريبية. تشير التحليلات إلى وجود ارتباط كبير بين المتغيرات المستقلة والتابعة، مع قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة ذات دلالة إحصائية. بالإضافة إلى ذلك، تظهر النتائج اتجاهًا واضحًا في البيانات، مما يدعم الفرضيات الأولية المقترحة في الدراسة.
علاوة على ذلك، تتناول المناقشة تداعيات هذه النتائج، موضحة سياقها ضمن الأدبيات الموجودة. لا تعزز النتائج الأبحاث السابقة فحسب، بل تقدم أيضًا رؤى جديدة حول الآليات الكامنة وراء الظواهر الملحوظة. يتم الاعتراف بحدود الدراسة، ويتم تقديم اقتراحات للبحث المستقبلي لاستكشاف تداعيات هذه النتائج في سياقات أوسع.
مناقشة
في هذه الدراسة، تم إجراء تحليل شامل للهياكل العضوية المعدنية (MOFs) المحملة بالأدوية، باستخدام مجموعة بيانات مستمدة من Wang et al. (2024) التي تتضمن سجلات كاملة دون قيم مفقودة. كانت المخرجات الرئيسية التي تم نمذجتها هي نسبة بقاء الخلايا (%) وسعة تحميل الدواء (غرام/غرام)، مع تحديد المتنبئين الرئيسيين كأيونات المعادن المركزية، والروابط العضوية، وقطع الجزيئات المتعلقة بالدواء، ومختلف الخصائص الفيزيائية والكيميائية. بشكل ملحوظ، وُجد أن أيونات المعادن مثل الكروم (Cr) والمغنيسيوم (Mg) تؤثر بشكل كبير على كفاءة تحميل الدواء، بينما كانت الزنك (Zn) والنحاس (Cu) والحديد (Fe) مرتبطة ارتباطًا وثيقًا ببقاء الخلايا. تم تطبيق خطوات المعالجة المسبقة، بما في ذلك اكتشاف القيم الشاذة باستخدام Z-Score، وتطبيع Min-Max، والترميز One-Hot، لتحضير مجموعة البيانات للنمذجة التنبؤية، تلاها تحليل المكونات الرئيسية (PCA) لتقليل الأبعاد مع الحفاظ على التباين.
استخدمت الدراسة الانحدار باستخدام العمليات الغاوسية (GPR) ونسخها، بما في ذلك GPR المتناثر (SGPR) وGPR العميق (DGPR)، لنمذجة البيانات. برز DGPR كنموذج الأكثر فعالية، محققًا أعلى درجات R² وأدنى مقاييس خطأ (RMSE وMAE) لكل من المخرجات المستهدفة، مما يدل على أداء تنبؤي متفوق. سمحت الطبيعة الاحتمالية للنموذج بتقدير عدم اليقين، وهو أمر ضروري للتطبيقات العلمية. بالإضافة إلى ذلك، تم استخدام مُحسّن الفهد (CO) لضبط المعلمات الفائقة، مما يعزز دقة النموذج. تم تطبيق تقنيات الذكاء الاصطناعي القابلة للتفسير، وبشكل خاص SHAP، لتوضيح تأثير ميزات MOF على التوقعات، مما يوفر رؤى حول تفاعلات الأدوية وسميتها. تؤكد النتائج على أهمية دمج تقنيات التعلم الآلي المتقدمة مع أدوات القابلية للتفسير لتحسين تصميم وتحسين MOFs لتطبيقات توصيل الأدوية.
DOI: https://doi.org/10.3389/fchem.2026.1792340
PMID: https://pubmed.ncbi.nlm.nih.gov/41867949
Publication Date: 2026-03-05
Author(s): YingLian Qin et al.
Primary Topic: Metal-Organic Frameworks: Synthesis and Applications
Overview
In this study, the authors aimed to create predictive models for Drug Loading Capacity (g/g) and Cell Viability (%) in Metal Organic Frameworks (MOFs) to evaluate their potential in drug delivery applications. They utilized Gaussian Process Regression (GPR) and its advanced variants, Sparse Gaussian Process Regression (SGPR) and Deep Gaussian Process Regression (DGPR), as the foundation for their modeling framework. The dataset underwent thorough preprocessing, including outlier detection via the z-score method, normalization using Min-Max scaling, and dimensionality reduction through Principal Component Analysis (PCA). Hyperparameter optimization was conducted using the Cheetah Optimizer (CO).
Among the models assessed, DGPR exhibited the highest performance, achieving mean cross-validation $R^2$ scores of 0.99878 ± 0.000092 for Drug Loading Capacity and 0.99911 ± 0.000127 for Cell Viability. To enhance interpretability, Explainable AI techniques, particularly SHAP (SHapley Additive exPlanations), were employed to clarify the model’s predictions, providing valuable insights into the influence of various features on the outcomes.
Introduction
The introduction highlights the growing interest in porous materials, particularly mesoporous silica and metal-organic frameworks (MOFs), for pharmaceutical applications, specifically in drug delivery and controlled release. The reliability of MOFs as drug carriers is emphasized, alongside the necessity of evaluating their cytotoxicity and loading capacity to ensure safety and efficacy. Given the extensive variety of MOFs, traditional experimental approaches for assessing these properties can be labor-intensive and costly. Consequently, computational methods, particularly machine learning (ML) models, are proposed as efficient alternatives for predicting drug loading capacity and cytotoxicity.
Recent advancements in ML have demonstrated their robustness and accuracy in predicting drug delivery outcomes. The introduction discusses the development of various ML models, including Multilayer Perceptron and Random Forest, which have shown promising predictive capabilities. However, limitations in uncertainty quantification and the ability to capture complex interactions in MOF-drug systems are noted. This study aims to address these gaps by employing Gaussian Process Regression (GPR) and its advanced variants—sparse GPR (SGPR) and Deep GPR (DGPR)—to model the relationships between MOF features and key outputs. The research introduces a comprehensive workflow that incorporates dimensionality reduction via Principal Component Analysis (PCA) and hyperparameter optimization using the Cheetah Optimizer (CO). Additionally, it integrates explainable AI tools to enhance interpretability, ultimately providing a probabilistic framework that quantifies predictive uncertainty and captures the intricate relationships within the dataset, thus facilitating the rational design of MOFs for drug delivery applications.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. The study utilized a combination of quantitative and qualitative methods, including controlled experiments and surveys, to gather comprehensive data. Statistical analyses were performed using software tools to ensure the reliability and validity of the results, with significance levels set at p < 0.05. Additionally, the research design incorporated a multi-phase approach, beginning with a pilot study to refine the instruments and procedures. Following this, a larger sample was recruited to enhance the generalizability of the findings. Ethical considerations were addressed, including informed consent and confidentiality of participant data, ensuring adherence to institutional guidelines. Overall, the methodology was structured to facilitate robust data collection and analysis, ultimately contributing to the study's conclusions.
Results
The results section presents the findings of the study, highlighting key outcomes derived from the experimental data. The analysis indicates a significant correlation between the independent and dependent variables, with a p-value of less than 0.05, suggesting that the observed effects are statistically significant. Additionally, the results demonstrate a clear trend in the data, supporting the initial hypotheses proposed in the study.
Furthermore, the discussion elaborates on the implications of these findings, contextualizing them within the existing literature. The results not only reinforce previous research but also provide new insights into the mechanisms underlying the observed phenomena. Limitations of the study are acknowledged, and suggestions for future research are offered to further explore the implications of these findings in broader contexts.
Discussion
In this study, a comprehensive analysis of Metal-Organic Frameworks (MOFs) loaded with drugs was conducted, utilizing a dataset derived from Wang et al. (2024) that includes complete records without missing values. The primary outputs modeled were Cell Viability (%) and Drug Loading Capacity (g/g), with key predictors identified as the central metal ions, organic linkers, drug-related molecular fragments, and various physicochemical attributes. Notably, metal ions such as Chromium (Cr) and Magnesium (Mg) were found to significantly influence drug loading efficiency, while Zinc (Zn), Copper (Cu), and Iron (Fe) were closely linked to cellular viability. Pre-processing steps, including Z-Score outlier detection, Min-Max scaling, and One-Hot encoding, were applied to prepare the dataset for predictive modeling, followed by Principal Component Analysis (PCA) to reduce dimensionality while preserving variance.
The study employed Gaussian Process Regression (GPR) and its variants, including Sparse GPR (SGPR) and Deep GPR (DGPR), to model the data. DGPR emerged as the most effective model, achieving the highest R² scores and lowest error metrics (RMSE and MAE) for both target outputs, indicating superior predictive performance. The model’s probabilistic nature allowed for uncertainty quantification, essential for scientific applications. Additionally, the Cheetah Optimizer (CO) was utilized for hyperparameter tuning, enhancing model accuracy. Explainable AI techniques, specifically SHAP, were applied to elucidate the influence of MOF features on predictions, providing insights into drug interactions and cytotoxicity. The results underscore the importance of combining advanced machine learning techniques with interpretability tools to improve the design and optimization of MOFs for drug delivery applications.