ارزیابی یادگیری ماشین برای تعیین تأثیرگذارترین عوامل بر ویژگیهای فیزیکوشیمیایی نانوالیاف الکتروریسی شده حامل داروی دوکسوروبیسین
The most influencing factors on the physicochemical characteristics of doxorubicin-loaded electrospun nanofibers: A machine learning assessment
مجریان: نیما بهشتی زاده
خلاصه روش اجرا: الکتروریسی یک تکنیک مناسب برای ساخت نانومواد و همچنین برای بارگذاری دارو و اهداف تحویل دارو در نظر گرفته می شود. محققان به دلیل ویژگیهای سودمند آن از جمله نسبت سطح به حجم بالا، تخلخل انعطافپذیر در مقیاس نانو در مقایسه با پلیمرهای مختلف و عدم وجود تیمارهای سمی، انگیزه زیادی برای استفاده از این روش دارند. تحقیقات آزمایشگاهی متعددی بر روی کپسوله کردن دوکسوروبیسین در مواد نانوالیافی انجام شده است. تولید الیاف و بارگیری دارو از طریق این روش پارامترهای مختلفی را در بر می گیرد که می توان آنها را به پارامترهای مرتبط با دستگاه، مرتبط با مواد و مطالعه طراحی طبقه بندی کرد. این مطالعه از تکنیکهای یادگیری ماشین برای استخراج پارامترهای تأثیرگذار ورودی از دادههای کمی برای نانوالیاف الکتروریسی شده با دوکسوروبیسین استفاده میکند. این مطالعه همچنین ضریب اهمیت هر پارامتری را که بر نتایج خروجی تأثیر میگذارد تعیین میکند و نقاط و فواصل بهینه برای هر پارامتر را شناسایی میکند. پیش بینی می شود که نتایج ما نشان دهد که نانوالیاف الکتروریسی شده بارگذاری شده با دوکسوروبیسین و خواص فعالیت ضد سرطانی آنها را می توان با استفاده از یک تحقیق مبتنی بر یادگیری ماشینی بر روی پارامترهای محلول پلیمری (مانند وزن مولکولی، کشش سطحی، حلال، هدایت الکتریکی، غلظت، و ویسکوزیته) بهینه کرد. پارامترهای ماشین (مانند ولتاژ، سرعت جریان، و فاصله بین نوک سوزن و کلکتور)، و پارامترهای مطالعه مانند انتشار دارو و زمان مطالعه فعالیت ضد سرطانی، که بر خواص نانوالیاف حاصل تأثیر میگذارند، مانند قطر الیاف، میزان بارگیری و رهاسازی دارو، کارایی کپسولاسیون و فعالیت ضد سرطانی. داده ها و نمودارهای حاصل می تواند راهنمای مناسبی در ساخت نانوالیاف الکتروریسی شده با دارو باشد.
اطلاعات کلی طرح 
| مرحله جاری طرح | خاتمه قرارداد و اجرا |
| کد طرح | 73995 |
| عنوان فارسی طرح | ارزیابی یادگیری ماشین برای تعیین تأثیرگذارترین عوامل بر ویژگیهای فیزیکوشیمیایی نانوالیاف الکتروریسی شده حامل داروی دوکسوروبیسین |
| عنوان لاتین طرح | The most influencing factors on the physicochemical characteristics of doxorubicin-loaded electrospun nanofibers: A machine learning assessment |
| نوع طرح | طرح تحقیقاتی |
| اولویت طرح | فناوریها و تجهیزات پزشکی بازساختی و نانوفناوری |
| نوع مطالعه | طرح تحقیقاتی-پژوهشی |
| تحقیق در نظام سلامت | بلی |
| آیا طرح پایاننامه دانشجویی است؟ | خير |
| مقطع پایان نامه | |
| مدت اجرا - ماه | 8 |
| نوآوری و ضرورت انجام تحقیق | دوکسوروبیسین (DOX) یکی از پرمصرف ترین داروهای شیمی درمانی است که فعالیت ضد توموری آن در درمان سرطان های مختلف مانند سینه، ریه، مثانه، تخمدان و معده به اثبات رسیده است [1، 2]. این دارو یک آنتی بیوتیک آنتراسایکلین کلاس I با خواص هیدروفیل و فلورسنت است. روی فاز S چرخه سلولی عمل می کند و در ساختار و سنتز DNA اختلال ایجاد می کند. DOX با تداخل با نوکلئوتیدها، مهار توپوایزومراز II و تولید رادیکالهای بدون اکسیژن باعث مرگ سلولی میشود [3، 4]. اما این دارو نیمه عمر کوتاهی دارد و برای دستیابی به شاخص درمانی مطلوب به دوز بالایی نیاز است که منجر به مسمومیت و عوارض جانبی مختلفی می شود [5]. به عنوان مثال، تزریق داخل وریدی دوزهای بالا باعث آلوپسی، استفراغ، سرکوب سلولی، مسمومیت میلوتوکسیک، مسمومیت گوارشی، سمیت قلبی و آریتمی های مختلف می شود [6، 7]. این مسائل ضرورت توسعه یک سیستم حامل مناسب برای کاهش عوارض جانبی، کاهش هزینه و جلوگیری از عود موضعی سرطان را برجسته می کند. در چند سال گذشته، سیستمهای حامل مختلفی برای DOX برای بهبود اثربخشی آن با کاهش دوز و افزایش عملکرد درمانی آن توسعه یافتهاند. از جمله این سیستم ها می توان به لیپوزوم ها [8]، دندریمرها [7]، میسل ها [9]، نانوذرات [10] و نانوالیاف [3] اشاره کرد. نانوالیاف به دلیل نسبت سطح به حجم بالا، مورفولوژی مطلوب، تخلخل بین الیاف، سطح ویژه بزرگ، انتقال جرم مناسب، امکان استفاده از گروههای عملکردی مختلف و استحکام مکانیکی یکی از نامزدهای اولیه به عنوان حاملهای DOX هستند [11,12]. تحویل دارو در محل مورد نظر و مشخصات رهاسازی را می توان با تنظیم مورفولوژی، قطر فیبر، ترکیب و تخلخل نانوالیاف تنظیم کرد [13]. الکتروریسی روشی ساده و پرکاربرد برای تولید انبوه این نانوالیاف از انواع پلیمرها، سرامیک ها، کامپوزیت ها و نیمه هادی ها است. در این روش، الیاف با قطرهای مختلف (از چند نانومتر تا چند میکرومتر) را می توان با اعمال میدان الکتریکی قوی به محلول پلیمری تولید کرد [14]. با کمک میدان الکتریکی، بارهای القایی به طور یکنواخت روی سطح قطره پلیمر توزیع می شوند. هنگامی که ولتاژ از حد آستانه فراتر رفت، نیروی الکتریکی بر کشش سطحی غلبه می کند و نانوالیاف پلیمری باردار به سمت صفحه فلزی جمع آوری شده حرکت می کنند. در نهایت، حلال تبخیر می شود و یک تشک پلیمری به دست می آید [15، 16]. نانوالیاف حامل دارو می توانند به طور همزمان چندین دارو را تحویل دهند، راندمان کپسولاسیون بالایی داشته باشند و مقرون به صرفه باشند. الکتروریسی می تواند الیافی با ساختار هسته-پوسته ایجاد کند تا پروفایل های مختلف رهاسازی دارو را در خود جای دهد [17]. با این حال، الکتروریسی یک روش چند پارامتری است که در آن پارامترهای مختلف، از جمله پارامترهای محلول پلیمری (مانند وزن مولکولی، کشش سطحی، حلال، هدایت الکتریکی، غلظت و ویسکوزیته)، پارامترهای ماشین (مانند ولتاژ، سرعت جریان و ... فاصله بین نوک سوزن و کلکتور)، و پارامترهای محیطی (مانند دما و رطوبت) بر روش الکتروریسی و ویژگی های الیاف حاصل تأثیر می گذارد. تغییر هر یک از این پارامترها بر خواص نانوالیاف حاصل مانند قطر الیاف، میزان بارگیری و رهاسازی دارو، خواص مکانیکی الیاف و اثرات درمانی دارو تأثیر می گذارد (شکل 1) [18، 19]. از سوی دیگر، کنترل و بررسی همه این پارامترها به طور همزمان در ارزیابیهای in vitro و in vivo غیرممکن است. در اینجا، استفاده از فناوری هوش مصنوعی (AI) و یادگیری ماشین در ارزیابی دارو و سیستم های انتشار دارو مفید خواهد بود. به عنوان شاخه ای از علوم کامپیوتر، روش های هوش مصنوعی و یادگیری ماشین می توانند رفتار و فرآیندهای انسان را با استفاده از ماشین ها شبیه سازی کنند. ادغام رویکردهای هوش مصنوعی و یادگیری ماشین (ML) با نانوپزشکی و فناوریهای مهندسی بافت منجر به طراحی سیستمهای انتشار داروی هوشمند با طراحی منطقی، کارایی بالا و عملکردهای از پیش تعریفشده میشود [20]. این فناوری انتقال حامل های دارو به بالین را تسریع می کند. رشد سریع قدرت محاسباتی، حجم زیادی از داده ها و الگوریتم های مختلف تجزیه و تحلیل داده ها، این امکان را برای هوش مصنوعی فراهم کرده است که تمام پارامترهای ذکر شده در بالا در حامل های DOX را با استفاده از آثار منتشر شده قبلی ارزیابی و پیش بینی کند [20، 21]. هدف این مطالعه توسعه یک سیستم یادگیری ماشین برای دستیابی به پارامترهای بهینه روش الکتروریسی نانوالیاف مختلف برای کپسولهسازی DOX برای دستیابی به بهترین بازده بارگذاری و پتانسیل درمانی است. |
| اهداف اختصاصی | تعیین مهم ترین پارامتر تاثیر گذار از بین پارامترهای وابسته به دستگاه الکترورریسی و متریال بر روی خصوصیات الیاف تولید شده حاوی داوری دوکسوروبیسین |
| چکیده انگلیسی طرح | Electrospinning is considered a viable technique for the fabrication of nanomaterials as well as for drug loading and drug delivery purposes. Researchers are motivated to employ this method due to its advantageous attributes, including a high surface-to-volume ratio, flexible nanoscale porosity in contrast to various polymers, and the absence of toxic treatments. Numerous laboratory investigations have been conducted on the encapsulation of doxorubicin within nanofiber materials. The production of fibers and drug loading via this method encompasses various parameters, which can be categorized into device-related, material-related, and study-design parameters. This study will employ artificial intelligence techniques to extract the influencing parameters of the input from quantitative data for Doxorubicin-loaded electrospun nanofibers. The study also will determine the importance coefficient of each parameter that influences the output results and identify the optimum points and intervals for each parameter. It is anticipated that our results will show that Doxorubicin-loaded electrospun nanofibers and their anticancer activity properties could be optimized by employing a machine learning-based investigation on the polymer solution parameters (such as molecular weight, surface tension, solvent, electrical conductivity, concentration, and viscosity), machine parameters (such as voltage, flow rate, and distance between the needle tip and collector), and study parameters such as drug release and anticancer activity study times, which affect the properties of the resultant nanofibers, such as the diameter of the fibers, the amount of drug loading and release, encapsulation efficiency, and anticancer activity. The resulting data and diagrams could be a proper guide in the fabrication of drug-loaded electrospun nanofibers. |
| کلمات کلیدی | دوکسوروبیسین (DOX) یادگیری ماشین (ML) |
| ذینفعان نتایج طرح | ذینفعان طرح حاضر، پژوهشگران متعددی هستند که اقدام به انکپسوله کردن داروی دوکسوروبیسین در نانوالیاف های متنوعی می نمایند. همچنین کارخانجات داروسازی و شرکت های دانش بنیان از جمله دیگر ذینفعان طرح حاضر به شمار می روند. |
اطلاعات مجری و همکاران
| نام و نامخانوادگی | سمت در طرح |
|---|---|
| نیما بهشتی زاده | مجری اول (اصلی-هیات علمی) |
| ملیحه غریب شاهیان | همکار اصلی |
| رضا ملکی | همکار اصلی |
| مهسا گل محمدی | همکار اصلی |
| محمدرضا رستمی | همکار اصلی |
| هادی صادقزاده | همکار اصلی |
| احمد مهدی پور | همکار اصلی |
اطلاعات تفضیلی
| حوزه خبر | خبر |
|---|---|
| رسانه ها و مردم | عنوان خبر متن خبر |
| متخصصان و پژوهشگران | عنوان خبر پارامترهای تولید نانوالیاف حاوی داروی دوکسوروبیسین با استفاده از روش الکتروریسی، توسط یادگیری ماشین بهینه سازی شدند.متن خبر این مطالعه از یک تحلیل یادگیری ماشینی برای استخراج پارامترهای تأثیرگذار ورودی از دادههای کمی برای نانوالیاف الکتروریسی شده با دوکسوروبیسین استفاده کرد. این مطالعه همچنین ضریب اهمیت هر پارامتر را که بر نتایج خروجی تأثیر میگذارد تعیین کرد و نقاط و فواصل بهینه را برای هر پارامتر مشخص کرد. یافتههای ما نشان داد که نانوالیاف الکتروریسیشده بارگذاری شده با دوکسوروبیسین را میتوان با استفاده از بهینه سازی پارامترهای محلول پلیمری (مانند چگالی حلال، هدایت الکتریکی و غلظت پلیمر)، پارامترهای الکتروریسی (مانند ولتاژ، نرخ جریان و فاصله کلکتور) و پارامترهای مطالعه مانند زمان بررسی رهایش دارو و مدت زمان فعالیت آنتی کنسری دارو به صورت بهینه تولید نمود. این پارامترها بر خواص نانوالیاف بارگذاری شده با دارو، مانند میانگین قطر فیبر، میزان فعالیت آنتی کنسری، درصد رهایش دارو و راندمان کپسولاسیون تأثیر میگذارد. یافتههای ما اهمیت فاکتورهایی مانند فاصله، چگالی پلیمر و غلظت پلیمر را به ترتیب در بهینهسازی ساخت نانوالیاف الکتروریسی شده با دارو نشان داد. کمترین قطر، بالاترین راندمان کپسولاسیون، بالاترین درصد رهایش دارو، و بیشترین فعالیت آنتی توموری در بازه های بهینه سازی شده به دست آمد. |
| سیاستگذاران درمانی | عنوان خبر متن خبر |
| سیاستگذاران پژوهشی | عنوان خبر متن خبر |
| لینک (URL) مقاله انگلیسی مرتبط منتشر شده 1 |
