36、机器学习方法在药物递送与调度问题中的应用

机器学习方法在药物递送与调度问题中的应用

1. 利用机器学习方法捕获明胶纳米颗粒上的高负载药物

明胶基质（微米和纳米颗粒）因其高生物相容性、安全性、可用性以及大量可用于结合各种药物和配体的反应性功能基团，作为蛋白质载体受到了广泛关注。为了捕获明胶基质上的高负载药物，采用了偏最小二乘法（PLS）、主成分分析（PCA）和层次聚类分析（HCA）等机器学习方法。

• 偏最小二乘法（PLS） ：这是一种有监督的机器学习方法，它在输入和输出矩阵上都采用主成分分析。通过从两者中选择特征向量并进行关联，为实验空间中的每个点生成“x - 分数”和“y - 分数”，从而得到 PLS 的独特图形。
• 明胶结构分析 ：明胶作为蛋白质载体，具有相对平衡的亲水/疏水性质。其结构包含大量氢键供体和受体基团，典型的氨基酸重复序列为 -Ala - Gly - Pro - Arg - Gly - Glu - 4Hyp - Gly - Pro -。利用“z - 尺度描述符”将该结构转化为数值，其中 z1、z2 和 z3 分别代表氨基酸的疏水性、空间性质和极性。对于药物负载预测，重点关注 z1 描述符，它代表亲脂性尺度，包含薄层色谱变量、log P、非极性表面积、极性表面积以及侧链中接受质子电子的数量等变量。
• 自协方差计算 ：将明胶典型结构序列中每个氨基酸的 z1 描述符编码为一个自协方差变量，计算公式如下：
  [AC_{z:lag} = \frac{\sum_{i = 1}^{N - lag} V_{z:i} \times V_{z,i + lag}}{N -