En fysikinformerad maskininlärningsram för att förutsäga och dämpa doxorubicinnanbärarets toxicitet i normala celler

Varför säkrare cancerläkemedel är viktiga

Cellgifter som doxorubicin är kraftfulla verktyg mot cancer, men de kan också skada friska vävnader, särskilt hjärtat. Forskare har försökt kapsla in dessa läkemedel i små partiklar kallade nanobärare för att styra mer medicin till tumörer och mindre till resten av kroppen. Att finjustera partikelstorlek, ytskikt och läkemedelsmängd har dock till stor del varit en långsam process av trial‑and‑error. Denna studie visar hur en kombination av fysik och artificiell intelligens kan förvandla det gissningsartade arbetet till en mer precis, prediktiv vetenskap—hjälpande att utforma läkemedelsbärare som attackerar cancer samtidigt som de skonar normala celler.

Små bärare med stora kompromisser

Doxorubicin har länge varit ett huvudpreparat vid behandling av cancerformer som bröstcancer och leukemier, men vinsterna kommer till priset av allvarliga biverkningar, inklusive irreversibel hjärtskada. Att kapsla in läkemedlet i nanostorlekspartiklar erbjuder ett sätt att förändra var och hur det rör sig i kroppen. Genom att justera egenskaper som partikelstorlek, ytladdning och hur mycket läkemedel som packas in hoppas forskare kunna koncentrera doxorubicin i tumörer och minska exponeringen för friska organ. Dessa designval interagerar dock på komplexa och icke‑uppenbara sätt, vilket gör det svårt att veta vilken kombination som skyddar normala celler utan ändlösa labbexperiment.

Att omvandla spridda studier till en enda karta

Författarna samlade detaljerad information från 77 olika system med doxorubicin‑laddade nanobärare som rapporterats i vetenskaplig litteratur. Formuleringarna spände över många material—polymerpartiklar, liposomer, oorganiska nanopartiklar och mer—och hade testats på en rad friska celltyper, från hjärt‑ och blodkärlsceller till hud‑ och lungceller. Eftersom de ursprungliga studierna använde olika toxicitetsprov och rapporteringsformat konverterade teamet noggrant alla resultat till en gemensam skala för “normal cellviabilitet”, varierande från 0 till 100 procents överlevnad vid jämförbara läkemedelsdoser. De standardiserade också nyckelfysikaliska egenskaper såsom partikelstorlek, ytladdning (zeta‑potential) och mått på hur effektivt läkemedlet lastades och hölls inne i varje bärare.

Lägga till fysikaliska regler i maskininlärning

Med denna harmoniserade datamängd tränade forskarna flera maskininlärningsmodeller för att förutsäga hur toxiskt en given nanobärardesign skulle vara för normala celler. De jämförde vanliga metoder som random forests, gradient‑boosted trees och standardneuronätverk med en mer avancerad metod känd som ett fysikinformerat neuralt nätverk. I detta ramverk anpassar sig modellen inte bara efter tidigare data; den styrs mjukt att följa grundläggande fysikaliska principer som bestämmer hur partiklar släpper läkemedel och förblir stabila i vätska. Ekvationer som beskriver diffusion‑driven läkemedelsfrisättning, storleksberoende rörelse och laddningsbaserad stabilitet vävdes in i inlärningsprocessen som mjuka begränsningar, vilket vägledde modellen bort från förutsägelser som skulle bryta mot väl etablerad vetenskap.

Att hitta den optimala punkten i partikelutformning

Det fysikinformerade modellen visade sig vara mest exakt och tillförlitlig och fångade nästan 90 procent av variationen i normala cellers överlevnad samt höll förutsägelsefelen inom några procentenheter. Verktyg som förklarar modellbeslut avslöjade att två egenskaper dominerar säkerheten: partikelstorlek och ytladdning. Bärare som var måttligt stora—ungefär 120 till 150 nanometer i diameter—och bar en måttligt negativ laddning tenderade att vara snällare mot friska celler. I kontrast var mycket små eller starkt laddade partiklar mer benägna att fastna i oavsiktliga vävnader eller avge sin last för snabbt, vilket ökade toxiciteten. Modellen identifierade också ett säkert intervall för läkemedelslast: tillräckligt med doxorubicin för att vara verksamt, men inte så mycket att bäraren blir instabil eller släpper en plötslig läkemedelsrusning.

Från gissningar till vägledd design

Genom att blanda fysik med datadriven inlärning levererar denna studie praktiska designriktlinjer för säkrare doxorubicin‑nanobärare och en återanvändbar mall för andra läkemedelsleveransproblem. Istället för att testa otaliga formuleringar i labbet kan forskare nu använda modellen för att begränsa urvalet till nanobärare som sannolikt håller mer än 90 procent av normala celler vid liv, och sedan rikta experiment mot denna lovande “sweet spot”. Även om arbetet främst bygger på cellkulturdata och ännu inte kan fånga den fulla komplexiteten i helkroppsreaktioner, markerar det ett viktigt steg mot rationell, datorstyrd design av cancerbehandlingar som slår hårt mot tumörer samtidigt som de skonar resten av kroppen.

Citering: Rahdar, A., Fathi-karkan, S. A physics-informed machine learning framework for predicting and mitigating doxorubicin nanocarrier toxicity in normal cells. Sci Rep 16, 10837 (2026). https://doi.org/10.1038/s41598-026-42209-4

Nyckelord: doxorubicin, nanobärare, maskininlärning, läkemedelstoxicitet, fysikinformerade modeller