作者：黄勇 北京积水潭医院

近年来，人们已经做出了许多努力来提高和开发新型治疗药物的溶解度和生物利用度。最可信的方法之一是超临界二氧化碳流体（SC-CO2）的操作。由于无色、成本效益和环境友好等突出优点，该手术已被用作药理学中的一种独特方法。该研究项目旨在通过人工智能以数学方式计算Oxaprozin在SC-CO2中的溶解度。Oxaprozin是一种非甾体抗炎药，可用于关节炎疾病，以改善肿胀和疼痛。Oxaprozin是一种BCS II类（生物制药分类）药物，具有低溶解度和生物利用度。在此，为了优化和提高Oxaprozin的溶解度，考虑了三种基于集成决策树的模型，包括随机森林（RF）、极随机树（ET）和梯度增强（GB）。32个数据向量用于该建模，此外，温度和压力作为输入，药物溶解度作为输出。使用MSE度量，ET、RF和GB的错误率分别为6.29E−09、9.71E−09和3.78E−11。然后，使用R平方度量，他们展示了分别包括0.999、0.984和0.999的结果。GB被选为最佳拟合模型，最佳值包括温度33.15（K）、压力380.4（bar）和溶解度0.001242（摩尔分数）。
制药行业的显著进步为开发治疗各种挑战性疾病的新型治疗药物铺平了道路。尽管有值得注意的发展，但活性药物成分（API）的溶解度差可被认为是药物开发的最突出限制。Oxaprozin（C18H15NO3）可被公认为常用的非甾体抗炎药（NSAID）之一。这种丙酸衍生物的镇痛和解热特性使其有望适当缓解急性/慢性疾病的疼痛，如炎症、肿胀、骨关节炎和类风湿关节炎。图1显示了Oxaprozin的球棒演示。这种NSAID药物具有通过环加氧酶抑制抑制花生四烯酸形成前列腺素前体的巨大能力，这导致疼痛/炎症反应的显著减少。与阿司匹林或吡罗昔康相比，奥沙普嗪在治疗骨关节炎方面显示出更优越的疗效。
为了提高药物的溶解度，溶剂无可争议的作用不容忽视。近年来，超临界流体（SCF）被称为一种创新技术，证明了其对颗粒形成的效率。这种新方法可以克服传统技术的一些缺点，如破碎、结晶和沉淀。超临界二氧化碳（SC-CO2）由于具有丰富性、无色性、成本效益和环境友好性等显著特性，在制药过程中经常被用于分离珍贵成分。由于在SC-CO2中的溶解度对于设计和开发新药物的重要性，开展实验研究以评估这些药物的溶解度具有重要意义。尽管获得药物溶解度非常重要，但存在一些经济/操作问题，如SC-CO2系统中溶质-溶剂相互作用的困难和高成本，限制了实验研究的开展。
因此，开发数学建模方法来预测不同类型药物的溶解度可以是优化处理时间和成本的适当选择。如今，人工智能已被引入作为一种有前途的预测工具，以数字方式测量药物的溶解度。除药理学外，人工智能在与化学工程相关的不同知识中发挥了无可争议的作用，如提取、纯化、分离、结晶和化学反应器工程。在大多数科学领域，机器学习（ML）技术被称为常见的计算过程，包括回归树、神经网络和支持向量机。这些模型提取了输入和输出之间的各种关系。
决策树（DT）是最常用的学习模型之一。弱模型是一个简单的预测因子，它只可能比随机估计更好。在基于树的集成方法中，许多基本DT模型的结果被聚合以形成更强的模型。
装袋和提升是决策树最有效的两种改进策略。Breiman开发的Bagging（Bootstrap Aggregating）是最基本、最直接的集成技术之一，它在减少方差和防止过度拟合的同时表现出卓越的性能。由于自举方法，Bagging算法更加多样化，该方法复制并生成训练数据的子集。所有子集都用于拟合不同的基本估计量，最终预测结果使用多数投票法进行编译。
另一种基于Freund和Schapiro研究的集成方法正在推动。本研究的目的是通过应用不同的机器学习模型来优化奥沙普嗪在超临界流体中的溶解度，以找到最佳模型。
通过逐步重新加权训练数据，这种方法与Bagging的不同之处在于它生成了一组不同的基础学习者。在随后的训练步骤中，其估计值弱于先前估计值的每个样本将被赋予更高的权重。因此，在随后的自举样本中，更可能出现具有弱估计的训练样本，从而有效消除偏差。基于它们的预测性能，在最终的Boosting算法模型中对基础估计器进行加权。本研究中考虑了随机森林模型、额外树木和梯度提升模型。