Бурлака, Б. С. Використання методів машинного навчання в розробленні назальних лікарських форм церебропротективної дії [Текст] / Б. С. Бурлака, І. Ф. Бєленічев // Актуал. питання фармац. і мед. науки та практики. - 2021. - Том 14, N 2. - С. 232-238 MeSH-головна: ВВЕДЕНИЕ ЛЕКАРСТВ ИНТРАНАЗАЛЬНОЕ -- ADMINISTRATION, INTRANASAL (использование) НООТРОПНЫЕ СРЕДСТВА -- NOOTROPIC AGENTS (терапевтическое применение, химический синтез) ЛЕКАРСТВЕННЫЕ ФОРМЫ -- DOSAGE FORMS Анотація: Для ресурсозбереження активних фармацевтичних інгредієнтів і допоміжних речовин на ранніх етапах дослідження під час планування експерименту доцільно використати знання щодо прогнозованих та експериментальних фізико-хімічних властивостей, що перебувають у різних агрегаційних базах даних. Знайдена інформація дає можливість скоротити час на розроблення складу та опрацювання технології. Але різноманіття характеристик активних сполук і допоміжних речовин не завжди наведене в названих сервісах. Останнім часом моделі машинного навчання, що дають можливість отримувати прогнозування з високою ймовірністю, широко застосовують у різних наукових напрямах. Отже, актуальним і перспективним є опрацювання моделей машинного навчання для прогнозу наявності фармацевтичних несумісностей у рецептурі назальних лікарських форм. Мета роботи – опрацювання моделей машинного навчання для in silico прогнозу раціонального складу назальних лікарських форм церебропротективної дії. Матеріали та методи. Як матеріал використовували датасет, що містив дані щодо сполук (діючих і допоміжних) і ознаки щодо наявності або відсутності взаємодії (фармацевтичної несумісності). Наповнення датасету для навчання (training datasets) здійснювали шляхом контент-аналізу даних бібліотеки PubMed (pubmed.ncbi.nlm.nih.gov) у ручному режимі за ключовими словами («pharmaceutical incompatibilites», «physico-chemical compatibility», «incompatible excipients») за останні 10 років. Обсяг датасету, що одержали, – 1185 рядків. Використали набір методів бінарної класифікації машинного навчання (pycaret.org) із застосуванням мови програмування python 3.8 (python.org) у середовищі управління пакетами miniconda (conda.io). Програмування пайплайну (pipeline) здійснили за допомогою пакета jupyter notebook (jupyter.org). Генерацію ознак сполук MACCS (Molecular ACCess System keys) у навчальному датасеті виконали за допомогою пакета RDKit (rdkit.org). Специфікації спрощеного наведення молекул у рядку введення (SMILES) в автоматичному режимі шукали за допомогою сервісу PubChem (pubchem.ncbi.nlm.nih.gov). Результати. У результаті дослідження обрали дві перспективні моделі машинного навчання бінарної класифікації, якість роботи яких перевіряли на датасеті для перевірки. Статистичне оцінювання обраних моделей свідчить про високу ймовірність in silico прогнозу щодо наявності або відсутності фармацевтичних несумісностей під час розроблення назальних рецептур церебропротективних лікарських форм і розміщення на вебсервері експертної системи ExpSys Nasalia (nasalia.zsmu.zp.ua) в розділі розрахунки. Висновки. Опрацювали моделі машинного навчання для in silico прогнозу раціонального складу назальних лікарських форм церебропротективної дії. Підтвердження якості прогнозу фармацевтичних несумісностей із використанням опрацьованих моделей виконали на датасеті для перевірки. Отримали статистичні показники моделей tree_blender (AUC 0.9521, F1 0.9747, MCC 0.9094), boost_blender (AUC 0.9593, F1 0.9821, MCC 0.9352). Використання моделей машинного навчання у фармацевтичній розробці сприятиме ресурсозбереженню та оптимізації складу рецептури. Дод.точки доступу: Бєленічев, І. Ф. Вільних прим. немає |