North Khorasan University of Medical Sciences

other پیش‌بینی ویژگی‌های کلیدی نانوکامپوزیت‌های حامل داروی ضدسرطان 5-فلوئورواوراسیل با استفاده از یادگیری ماشین: رویکردی چند‌هدفه Predicting Key Properties of 5-Fluorouracil Anticancer Drug Carrier Nanocomposites Using Machine Learning: A Multi-Objective Approach علوم پایه Basic Sciences مقاله پژوهشی Orginal Research <div style="text-align: justify;">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.  </div> <div style="text-align: justify;">Introduction: The drug 5-fluorouracil is commonly used in cancer treatment, but its clinical effectiveness is limited due to systemic toxicity, a short half-life, and insufficient tumor tissue uptake. The design of 5-fluorouracil carrier nanocomposites should focus on maximizing loading efficiency (LE%) and encapsulation efficiency (EE%) while minimizing cytotoxicity to normal cells. The aim of this study was to develop a multi-objective machine learning model to simultaneously predict LE%, EE%, and normal cell toxicity values in 5-fluorouracil nanocarriers. Methods A dataset comprising 20 types of nanocomposites was compiled from reputable scientific sources. Six regression models and four classification models were trained using cross-validation. Model interpretability was achieved through SHAP analysis. Virtual screening was then performed on 120 hypothetical formulations to identify the optimal candidates. The XGBoost model exhibited the best regression performance for predicting LE% (R²=0.91, MAE=1.82) and EE% (R²=0.89, MAE=2.05), while the Random Forest algorithm outperformed others in cytotoxicity classification (F1=0.88, AUC=0.92). Results: SHAP analysis revealed that chitosan, polyethylene glycol (PEG), and graphitic carbon nitride (g-C₃N₄) enhance encapsulation efficiency, whereas halloysite nanotubes, particle sizes larger than 400 nm, and high positive zeta potential increase toxicity. The optimal design range was determined to be 100-300 nm particle size and a zeta potential of +20 to +40 mV. The formulation containing chitosan/PEG/g-C₃N₄/hydroxyapatite was identified as the top candidate, with a predicted EE% of approximately 89.7% and low toxicity. Conclusion: The machine learning-based system provides valuable predictive and mechanistic insights for designing safe and efficient 5-fluorouracil nanocarriers. Despite data limitations, this approach shows the strong potential of computational methods in nanodrug development</div> 5-فلوئورواوراسیل, یادگیری ماشین چند‌هدفه, بازده پوشش‌دهی, پیش‌بینی سمیت سلولی, تحلیل SHAP, XGBoost, جنگل تصادفی 5-fluorouracil, Cytotoxicity Prediction, Encapsulation Efficiency, Multi-Objective Machine Learning, Random Forest, SHAP Analysis, XGBoost 87 98 http://journal.nkums.ac.ir/browse.php?a_code=A-10-25-959&slc_lang=other&sid=1 Abbas Rahdar عباس رهدار a.rahdar@uoz.ac.ir 100319475328460030778 100319475328460030778 Yes Department of Physics, University of Zabol, Zabol, Iran گروه فیزیک، دانشکده علوم، دانشگاه زابل، زابل، ایران Maryam Shirzad مریم شیرزاد 100319475328460030779 0009-0003-2535-8877 No Department of Medical Nanotechnology, School of Advanced Technologies in Medicine, Tehran University of Medical Sciences, Tehran, Iran مرکز تحقیقات فناوری نانو، مؤسسه فناوری‌های دارویی، دانشگاه علوم پزشکی مشهد، مشهد، ایران Mehrab Pourmadadi مهراب پورمددی 100319475328460030780 100319475328460030780 No Protein Research Center, Shahid Beheshti University, Tehran, Iran مرکز تحقیقات پروتئین، دانشگاه شهید بهشتی، تهران، ایران