Використання методів машинного навчання в розробленні назальних лікарських форм церебропротективної дії

Автор(и)

DOI:

https://doi.org/10.14739/2409-2932.2021.2.232053

Ключові слова:

машинне навчання, лікарські форми, церебропротектори

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. 

 

Біографії авторів

Б. С. Бурлака, Запорізький державний медичний університет, Україна

канд. фарм. наук, доцент каф. технології ліків

І. Ф. Бєленічев, Запорізький державний медичний університет, Україна

д-р біол. наук, професор, зав. каф. фармакології та медичної рецептури з курсом нормальної фізіології

Посилання

Abrantes, C. G., Duarte, D., & Reis, C. P. (2016). An Overview of Pharmaceutical Excipients: Safe or Not Safe?. Journal of pharmaceutical sciences, 105(7), 2019-2026. https://doi.org/10.1016/j.xphs.2016.03.019

Darji, M. A., Lalge, R. M., Marathe, S. P., Mulay, T. D., Fatima, T., Alshammari, A., Lee, H. K., Repka, M. A., & Narasimha Murthy, S. (2018). Excipient Stability in Oral Solid Dosage Forms: A Review. AAPS PharmSciTech, 19(1), 12-26. https://doi.org/10.1208/s12249-017-0864-4

Narang, A. S., Desai, D., & Badawy, S. (2012). Impact of excipient interactions on solid dosage form stability. Pharmaceutical research, 29(10), 2660-2683. https://doi.org/10.1007/s11095-012-0782-9

Bharate, S. S., Bharate, S. B., & Bajaj, A. N. (2010). Interactions and Incompatibilities of Pharmaceutical Excipients with Active Pharmaceutical Ingredients: A Comprehensive Review. Journal of Excipients and Food Chemicals, 1(3), 3-26.

Burlaka, B. S., Belenіchev, І. F., & Gladyshev, V. V. (2019). Termohravimetrychni doslidzhennia intranazalnoi formy noopeptu [Thermogravimetric investigation of a new intranasal gel with noopept]. Farmatsevtychnyi zhurnal, 74(6), 54-61. [in Ukrainian].

Solodovnyk, V. A., Hladyshev, V. V., Burlaka, B. S., & Pukhalska, I. O. (2020). Deryvatohrafichne vyvchennia mazi z pirokton olaminom dlia terapii ta profilaktyky seboreinoho dermatytu [Derivatografic study of the ointment with piroctone olamine for therapy and prevention of seborrheic dermatitis]. Current issues in pharmacy and medicine: science and practice, 13(2), 249-253. [in Ukrainian]. https://doi.org/10.14739/2409-2932.2020.2.207184

Burlaka, B. S. (2015). Vykorystannia suchasnoho prohramnoho zabezpechennia v systematyzatsii literaturnykh danykh po intranazalnym likarskym zasobam [Use of modern software for systematization of the literature data for intranasal drugs]. Farmatsevtychnyi chasopys, (1), 29-31. [in Ukrainian].

Ryzhenko, V. P., Belenichev, I. F., Ryzhov, O. A., & Levich, S. V. (2018). Experimental and theoretical approaches to the creation of computer program for virtual screening of scavengers no in a range of azageterocycles. Medical Informatics and Engineering, (3), 54-57. https://doi.org/10.11603/mie.1996-1960.2018.3.9474

Deo R. C. (2015). Machine Learning in Medicine. Circulation, 132(20), 1920-1930. https://doi.org/10.1161/CIRCULATIONAHA.115.001593

Yang, K. K., Wu, Z., & Arnold, F. H. (2019). Machine-learning-guided directed evolution for protein engineering. Nature methods, 16(8), 687-694. https://doi.org/10.1038/s41592-019-0496-6

##submission.downloads##

Опубліковано

2021-06-01

Номер

Том 14 № 2 (2021)

Розділ

Оригінальні дослідження

Ліцензія

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

  1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.  Лицензия Creative Commons
  2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
  3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).