作者：靳培浩 北京积水潭医院

近年来，人们为增加和发展新型治疗药物的溶解度和生物利用度做出了许多努力。最可信的方法之一是超临界二氧化碳流体（SC-CO2）的操作。由于无色性、成本效益和环境友好等优点，该手术已被用作药理学中的一种独特方法。本研究项目旨在通过人工智能数学计算奥沙普嗪在SC-CO2中的溶解度。奥沙普嗪是一种非甾体抗炎药，可用于治疗关节炎，改善肿胀和疼痛。奥沙普嗪是一种BCS II类（生物药物分类）药物，具有低溶解度和生物利用度。为了优化和提高奥沙普嗪的溶解度，本文考虑了三种基于集合决策树的模型，包括随机森林（RF）、极端随机树（ET）和梯度增强（GB）。该模型使用32个数据向量，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显示的错误率为6.29E−2009年9月9日−09和3.78E−11.然后，使用R平方度量，他们证明结果分别包括0.999、0.984和0.999。GB被选为最佳拟合模型，其最佳值包括温度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创造治疗各种挑战性疾病的新型治疗药物铺平了道路。尽管取得了显著的进展，但活性药物成分（API）的溶解度差可被视为药物开发的最突出限制。奥沙普嗪（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、骨关节炎和类风湿性关节炎。展示了奥沙普嗪的球杆演示。这种NSAID药物具有通过环氧化酶抑制抑制花生四烯酸中前列腺素前体形成的强大能力，从而显著减少疼痛/炎症反应。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表现出优越的疗效。
为了提高药物的溶解度，溶剂的无可争辩的作用不容忽视。如今，超临界流体（SCF）被认为是一种创新技术，可以证明其对颗粒形成的效率。这种新颖的方法可以克服常规技术的一些缺点，例如破碎、结晶和沉淀。超临界二氧化碳（SC-CO2）由于具有丰富、无色、成本效益、高纯度、高纯度和高纯度等显著特性，正被频繁地用于医药过程中的贵重组分的分离，由于在SC-CO2中的溶解度对于新药的设计和开发的重要性，开展评估这些药物溶解度的实验研究非常重要，SC-CO2体系中溶质-溶剂相互作用的困难和高成本等经济/操作问题的存在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加工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。除了药理学之外，人工智能在与化学工程相关的不同知识中发现了无可争辩的作用，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程序，包括回归树、神经网络、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）是典型使用的学习模型之一。弱模型是一个简单的预测器，它只可能比随机估计器更好。在基于树的集成方法中，许多基础DT模型的结果被聚合以形成更强的模型。
打包和提升是决策树最有效的两种改进策略。由Breiman21开发的打包（Bootstrap Aggregating）是最基本、最简单的集成技术之一，在减少方差和防止过度拟合的同时表现出出色的性能。Bagging算法更加多样化，因为它采用了自举方法，可以复制和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研究的集成方法是boosting。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，从而找到最佳模型。
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，将对其估计值弱于先前估计值的每个样本赋予更高的权重。因此，在随后的引导样本中，更有可能出现具有弱估计的训练样本，从而有效地消除偏差。基于其预测性能，在最终的Boosting算法模型中对基础估计进行加权。随机森林模型、额外树木和梯度增强模型均被考虑纳入本研究。