Интегративная ансамблевая система машинного обучения для прогнозирования контролируемого высвобождения лекарств на основе спектральных сигнатур Рамана

Почему время решает судьбу таблеток

Многие лекарства работают лучше, когда они растворяются медленно и попадают в нужную часть кишечника, например в толстую кишку, а не высвобождаются сразу в желудке. Проектирование таких «длительно действующих» и «нацеленных» таблеток непростое и обычно требует множества лабораторных опытов методом проб и ошибок. В этом исследовании показано, как сочетание оптических измерений покрытий таблеток с продвинутыми компьютерными моделями может прогнозировать, как лекарство будет высвобождаться с течением времени, что потенциально сокращает время разработки, затраты и отходы.

От покрытых таблеток к умным прогнозам

Исследователи сосредоточились на пероральных таблетках, покрытых растительными сахарами — полисахаридами, которые защищают препарат в ходе прохождения пищеварительного тракта и задерживают его высвобождение до достижения толстой кишки. В качестве тестового примера использовали распространённое противовоспалительное средство 5‑аминосалициловую кислоту, часто применяемую при заболеваниях кишечника. Вместо того чтобы полагаться только на стандартные тесты растворения, они использовали Рамановскую спектроскопию — метод, который направляет свет на образец и считывает молекулярный «отпечаток» по рассеянному свету. Для каждой из 155 покрытых формуляций они зафиксировали более 1500 спектральных признаков, записали, какой тип полисахарида и какой раствор использовались, и измерили долю высвободившегося препарата через 2, 8 и 24 часа в условиях, имитирующих среду кишечника.

Почему старые модели не справляются

Традиционные уравнения для высвобождения лекарств предполагают простые структуры и гладкую диффузию, что часто не соответствует запутанной реальности современных покрытий и изменяющейся среде кишечника. Они также с трудом работают с большими сложными наборами данных, такими как тысячи рамановских признаков, несущих тонкие различия в структуре полимеров и взаимодействиях препарат–полимер. Более старые методы статистического проектирования могут учитывать несколько переменных, но становятся громоздкими, когда одновременно меняется много ингредиентов и условий испытаний. В результате важные комбинации могут быть упущены, а модели — ненадёжны при переносе на разные среды, имитирующие желудок и кишечник.

Смешение двух подходов и двух стратегий поиска

Чтобы справиться с этой сложностью, команда создала многослойную систему обучения, которая сочетает два метода машинного обучения — XGBoost и AdaBoost — внутри специализированного ансамбля под названием Damsphere Weighted Ensemble. Вместо того чтобы позволять одному методу доминировать, ансамбль регулирует, насколько он доверяет каждому из них в зависимости от их эффективности, сохраняя их влияния сбалансированными на некой математической «сфере». Поверх этого две навеянные природой процедуры поиска — Puma Optimizer и Black‑Winged Kite Algorithm — поочерёдно исследуют и уточняют множество ручек и настроек (гиперпараметров), управляющих обучением моделей. Одна из процедур делает акцент на широком исследовании возможностей; другая — на тонкой настройке перспективных решений. Вместе они ищут параметры, дающие точные и стабильные прогнозы без переобучения.

Чтение молекулярного отпечатка таблетки

После тщательной тренировки и проверки методом пятикратной перекрёстной проверки и с использованием нескольких мер ошибок, система прогнозировала высвобождение препарата с очень высоким совпадением с экспериментами (объясняя более 99% вариации в данных). Не менее важно, что авторы изучили, какие входные данные имеют наибольшее значение. Простые факторы, такие как время и тип среды — отражающие, где может находиться таблетка в организме — оказались сильнейшими факторами высвобождения, что согласуется с известными механизмами диффузии и эрозии. Определённые рамановские полосы, связанные с конкретными особенностями полисахаридных покрытий, также выделились, связывая молекулярную структуру со скоростью выхода препарата. Статистические тесты подтвердили, что эти закономерности — не случайные артефакты набора данных, а отражают последовательные взаимосвязи.

Что это значит для будущих лекарств

Для неспециалиста ключевое сообщение заключается в том, что этот подход действует как умный симулятор покрытых таблеток: подайте молекулярный отпечаток таблетки и условия теста, и система спрогнозирует, какая доля препарата высвободится со временем. Хотя он не заменяет подробные физические модели или клинические испытания, он может быстро отбирать кандидатов на покрытия, сузить число перспективных рецептур и сократить количество необходимых лабораторных экспериментов. Сокращая расход материалов и ускоряя разработку, эта рамочная система поддерживает более экологичный и эффективный дизайн лекарств и даёт более прозрачное понимание того, почему одни покрытия высвобождают препараты медленно и надёжно, а другие — нет.

Цитирование: Albariqi, A.H., Safhi, A.Y., Alqahtani, S.S. et al. Integrative ensemble learning framework for forecasting controlled drug release based on Raman spectral signatures. Sci Rep 16, 11343 (2026). https://doi.org/10.1038/s41598-026-41837-0

Ключевые слова: контролируемое высвобождение лекарств, Рамановская спектроскопия, машинное обучение, пероральная доставка лекарств, полимерные покрытия