基于 RSM 和 AI 的机器学习通过利伐沙班推拉式渗透片的设计开发及其 Pbpk 建模实现质量

快速阅读: 《Nature.com》消息，本研究采用人工神经网络（ANN）模型的神经计算框架，预测了一种难溶性药物利伐沙班的双层推拉渗透片剂的配方参数，以优化药物释放。通过验证的多元中心组合设计技术检验并交叉验证了预测配方。最优片剂以零级模式持续释放药物12小时，提高了空腹状态下的口服生物利用度。此基于ANN和质量源于设计（QbD）的双变量模型可指导配方研究，有效缩短药物开发时间和材料使用，促进稳健药物产品的开发。

在当前研究中，基于人工神经网络（ANN）模型的神经计算框架被有效用于预测一种难溶性药物利伐沙班的双层推拉渗透片剂的关键响应变量筛选配方参数，以评估影响药物释放的关键因素。经过模型训练，ANN工具预测的配方通过已验证的多元中心组合设计（CCD）技术进行检验和交叉验证。最优的渗透泵片剂以零级模式持续释放药物长达12小时，展示了其在开发控释片剂方面的实用性。预测配方的生理药代动力学（PBPK）模型显示，在空腹状态下口服生物利用度有所提高，优于现有即时释放市场制剂。因此，基于体内药代动力学模型，可以为具有显著个体间药动学差异的药物配制控释渗透片剂。该方法考虑了优化设计与开发系统（ODDS）配方信息及评估组成质量和关键参数的能力，以指导配方研究。这是一种基于ANN和质量源于设计（QbD）的双变量模型，未来可应用于多种剂型及其他制药研究领域。实施这些预测模型可以有效缩短药物开发的时间线和材料使用，并积极促进稳健药物产品的开发。

(以上内容均由Ai生成)