دوره 17، شماره 4 - ( زمستان 1404 )
جلد 17 شماره 4 صفحات 98-87 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rahdar A, Shirzad M, Pourmadadi M. Predicting Key Properties of 5-Fluorouracil Anticancer Drug Carrier Nanocomposites Using Machine Learning: A Multi-Objective Approach. North Khorasan University of Medical Sciences 2026; 17 (4) :87-98
URL: http://journal.nkums.ac.ir/article-1-3321-fa.html
URL: http://journal.nkums.ac.ir/article-1-3321-fa.html
رهدار عباس، شیرزاد مریم، پورمددی مهراب. پیشبینی ویژگیهای کلیدی نانوکامپوزیتهای حامل داروی ضدسرطان 5-فلوئورواوراسیل با استفاده از یادگیری ماشین: رویکردی چندهدفه. مجله دانشگاه علوم پزشکی خراسان شمالی. 1404; 17 (4) :87-98
عباس رهدار*1 
، مریم شیرزاد2 ، مهراب پورمددی3
، مریم شیرزاد2 ، مهراب پورمددی3
1- گروه فیزیک، دانشکده علوم، دانشگاه زابل، زابل، ایران ، a.rahdar@uoz.ac.ir
2- مرکز تحقیقات فناوری نانو، مؤسسه فناوریهای دارویی، دانشگاه علوم پزشکی مشهد، مشهد، ایران
3- مرکز تحقیقات پروتئین، دانشگاه شهید بهشتی، تهران، ایران
2- مرکز تحقیقات فناوری نانو، مؤسسه فناوریهای دارویی، دانشگاه علوم پزشکی مشهد، مشهد، ایران
3- مرکز تحقیقات پروتئین، دانشگاه شهید بهشتی، تهران، ایران
چکيده: (20 مشاهده)
مقدمه: داروی 5-فلوئورواوراسیل بهطور گسترده در درمان سرطان استفاده میشود، اما اثربخشی بالینی آن بهدلیل سمیت سیستمیک، نیمهعمر کوتاه و جذب ناکافی در بافت تومور، محدود است. طراحی نانوکامپوزیتهای حامل 5-فلوئورواوراسیل باید بهصورت هدفمند در جهت بیشینهسازی کارایی بارگذاری (LE%)، بازده پوششدهی (EE%) و حداقلسازی سمیت سلولی در سلولهای عادی انجام گیرد. هدف از این پژوهش توسعه نوعی مدل یادگیری ماشین چندهدفه برای پیشبینی همزمان مقادیر LE%، EE% و سمیت سلولهای عادی در نانوحاملهای داروی 5-فلوئورواوراسیل بود.
روش کار: مجموعهدادهای شامل بیست نوع نانوکامپوزیت از منابع معتبر علمی گردآوری شد. شش مدل رگرسیونی و چهار مدل طبقهبندی با استفاده از روش اعتبارسنجی متقابل آموزش داده شدند. تفسیر مدلها از طریق تحلیل SHAP انجام شد. سپس غربالگری مجازی روی 120 فرمولاسیون فرضی بهمنظور شناسایی نمونههای بهینه صورت گرفت. مدل XGBoost بهترین عملکرد رگرسیونی را برای پیشبینی مقادیر LE% (91/0R²=، 82/1MAE=) و EE% (89/0R²=، 05/2MAE=) نشان داد، درحالیکه الگوریتم جنگل تصادفی (Random Forest) در طبقهبندی سمیت سلولی عملکرد بهتری داشت (88/0F1=، 92/0AUC=).
یافتهها: تحلیل SHAP بیانگر آن بود که کیتوزان، پلیاتیلن گلایکول (PEG) و نیترید گرافیت کربن (g-C₃N₄) سبب افزایش بازده پوششدهی میشوند، درحالیکه نانولولههای هالویسیت، اندازه ذرات بزرگتر از 400 نانومتر و پتانسیل زتای مثبت بالا، موجب افزایش سمیت میشوند. محدوده طراحی بهینه در بازه اندازه 100 تا 300 نانومتر و پتانسیل زتای 20+ تا 40+ میلیولت تعیین شد. فرمولاسیون حاوی کیتوزان/PEG/g-C₃N₄/هیدروکسیآپاتیت بهعنوان ترکیب برتر با EE% پیشبینیشده حدود 7/89 درصد و سمیت پایین شناسایی شد.
نتیجهگیری: سامانه مبتنیبر یادگیری ماشین بینشهای پیشبینیکننده و مکانیستی ارزشمندی برای طراحی نانوحاملهای ایمن و کارای 5-فلوئورواوراسیل فراهم میآورد. باوجود محدودیتهای داده، این روش نشاندهنده ظرفیت زیاد رویکردهای محاسباتی در حوزه نانوداروهاست.
روش کار: مجموعهدادهای شامل بیست نوع نانوکامپوزیت از منابع معتبر علمی گردآوری شد. شش مدل رگرسیونی و چهار مدل طبقهبندی با استفاده از روش اعتبارسنجی متقابل آموزش داده شدند. تفسیر مدلها از طریق تحلیل SHAP انجام شد. سپس غربالگری مجازی روی 120 فرمولاسیون فرضی بهمنظور شناسایی نمونههای بهینه صورت گرفت. مدل XGBoost بهترین عملکرد رگرسیونی را برای پیشبینی مقادیر LE% (91/0R²=، 82/1MAE=) و EE% (89/0R²=، 05/2MAE=) نشان داد، درحالیکه الگوریتم جنگل تصادفی (Random Forest) در طبقهبندی سمیت سلولی عملکرد بهتری داشت (88/0F1=، 92/0AUC=).
یافتهها: تحلیل SHAP بیانگر آن بود که کیتوزان، پلیاتیلن گلایکول (PEG) و نیترید گرافیت کربن (g-C₃N₄) سبب افزایش بازده پوششدهی میشوند، درحالیکه نانولولههای هالویسیت، اندازه ذرات بزرگتر از 400 نانومتر و پتانسیل زتای مثبت بالا، موجب افزایش سمیت میشوند. محدوده طراحی بهینه در بازه اندازه 100 تا 300 نانومتر و پتانسیل زتای 20+ تا 40+ میلیولت تعیین شد. فرمولاسیون حاوی کیتوزان/PEG/g-C₃N₄/هیدروکسیآپاتیت بهعنوان ترکیب برتر با EE% پیشبینیشده حدود 7/89 درصد و سمیت پایین شناسایی شد.
نتیجهگیری: سامانه مبتنیبر یادگیری ماشین بینشهای پیشبینیکننده و مکانیستی ارزشمندی برای طراحی نانوحاملهای ایمن و کارای 5-فلوئورواوراسیل فراهم میآورد. باوجود محدودیتهای داده، این روش نشاندهنده ظرفیت زیاد رویکردهای محاسباتی در حوزه نانوداروهاست.
واژههای کلیدی: 5-فلوئورواوراسیل، یادگیری ماشین چندهدفه، بازده پوششدهی، پیشبینی سمیت سلولی، تحلیل SHAP، XGBoost، جنگل تصادفی
نوع مطالعه: مقاله پژوهشی |
موضوع مقاله:
علوم پایه
دریافت: 1404/8/11 | پذیرش: 1404/10/1 | انتشار: 1404/10/11
دریافت: 1404/8/11 | پذیرش: 1404/10/1 | انتشار: 1404/10/11
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
