Page 130 - 南京医科大学自然版
P. 130

第46卷第6期
               ·912  ·                           南 京    医 科 大 学 学         报                        2026年6月


              赋能。                                               图片提取的关键材料属性（critical material attribute，
                  AI是一种广泛的技术集合，包括机器学习（machine                   CMA）和定量变量，例如轮廓的均方根偏差、所测轮
              learning，ML）、深度学习（deep learning，DL）、人工神           廓的偏斜度和平均极性面取向。所采用的输出变
              经网络（artificial neural network，ANN）、卷积神经           量则为细颗粒物分数（fine particle fraction，FPF）和
                                                         ［1］
              网络（convolutional neural network，CNN）等方法 。         释放剂量（external dose，ED）。该干粉载体模型在
              AI 致力于模拟人类的认知过程，包括学习、推理、感                         FPF和ED方面的决定系数R 分别达到了0.982 0和
                                                                                          2
              知和决策等核心能力，其应用涵盖自然语言处理、                            0.955 6，这一高精度结果证明了该模型的可靠性，
              计算机视觉等多个领域。作为 AI 的子集，ML 专注                        也标志着其较经验建模实现了重大进步，为AI技术
              于开发能够从数据中学习规律并做出预测的算法                             开发干粉吸入剂产品提供了有力证明。
              和统计模型，可进一步细分为监督学习、无监督学                                 此外，Chauhan 等   ［8］ 研究了不同的干燥技术
              习、半监督学习和强化学习。在药物研发实践中，                           ［如冷冻干燥（freeze drying，FD）和喷雾干燥（spray

              AI/ML 技术通过 ANN、支持向量机（support vector               drying，SD）］对多肽稳定性和生物活性的影响。他们
              machine，SVM）、决策树（decision tree，DT）等算法预            采用 ANN 模型来预测水稻天然多肽网络（natural
              测药物活性，并且优化了分子设计和结构⁃活性关系                           polypeptide network，NPN）在经过SD和FD初步处理

             （structure⁃activity relationship，SAR）。而DL作为ML      后的多肽生物活性，包括抗炎活性。结果表明，各种
              的重要分支，其核心在于利用具有多层非线性变换                            干燥技术对多肽生物活性没有明显差异，并且模型
              的神经网络结构，从海量数据中自动提取层次化特                            在评估抗炎活性时，准确率高达85%。同时，Keskes
                                                                  ［9］
              征，从而实现对复杂模式的建模与预测                ［2-3］ 。          等 也使用了SVM和ANN模型来研究干燥动力学，
                  总之，AI 作为一个涵盖广泛的超级技术集合，                        深入探讨了初始质量、干燥温度、含水量和干燥压
              其与医药领域的深度融合标志着医疗健康行业正                             力等因素对干燥时间的影响。在这些研究中，AI模
              迈向智能化与精准化的新阶段。依托 ML 和 DL 等                        型均表现出准确的预测能力，显著提升了工艺控制
              关键技术手段，AI 已全面渗透至疾病诊断、药物研                          的精度。
              发、药物递送、临床试验设计及个性化治疗等关键                            1.1.2  颗粒剂
              环节，不仅显著提升了研发效率、降低了成本，更有                                Zhao 等 ［10］ 采用 AI 对无糖颗粒剂中的药物含
              力推动了医学创新模式的变革。AI 与医药的深度                           量进行了评估与预测。在此研究中，近红外光谱
              融合已展现出巨大潜力，有望成为驱动未来医疗高                           （near⁃infrared spectroscopy，NIR）技术首次表明可以
              质量发展的核心引擎         ［4-5］ 。                         测定颗粒剂中的药物含量。随后，利用多种 ML 技
                                                                术，并基于NIR 光谱对剩余药物进行预测。结果表
              1 AI在药物递送中的应用
                                                                明，AI模型是量化颗粒剂中药物含量的有效工具。
                  AI技术已贯穿药物递送的全生命周期，从处方                              同时，Landin 等  ［11］ 使用了一种结合神经模糊逻
              筛选、工艺参数优化、质量缺陷检测到体内行为预                            辑与基因表达编程的AI工具，研究高剪切湿法制粒
              测。相比传统的经验建模，AI模型展现出更高的预                           过程中的理想叶轮功率。此研究中用于建模方法
              测精度、更强的泛化能力和处理复杂多维数据的                             的输入变量包括：体积、叶轮直径、叶轮转速、液固
              能力，加速了新型给药系统的开发进程，推动了个                            比、湿料密度和平均扭矩。此外，研究结果表明，通
              性化与精准医疗的发展。下文将主要探讨 AI 在以                          过预测最终叶轮功率，该方法在计算高剪切制粒工
              下 4 类主要递送系统中的应用进展：基于传统剂型                          艺终点方面具有巨大潜力。
              的药物递送、基于缓释剂型的药物递送、基于微系                            1.1.3  片剂
                                                     ［6］
              统的药物递送以及基于纳米系统的药物递送 。                                  Ma 等 ［12］ 研究了CNN 在识别片剂内部缺陷中的
              1.1  基于传统剂型的药物递送                                  应用。他们制造了多批利用甘露醇和微晶纤维素
              1.1.1  粉末制剂                                       为辅料的片剂，随后使用 X 线计算机断层扫描系
                  Farizhanidi 等 成功利用 ML 构建出了基于吸                 统进行图像处理并拍摄照片。研究采用了图片增
                              ［7］
              入给药的干粉载体模型。该研究基于一个包含65个                           强的方法，将照片数量从 573 张增加到 43 548 张。
              数据集的数据库，其中 50 个子集用于训练、15 个子                       图片分析采用了一种包含以下 3 个模块的 CNN：
              集用于测试。模型的输入变量为扫描电子显微镜                             ①UNet A，用于将片剂从药瓶中分离出来；②模块2，
   125   126   127   128   129   130   131   132   133   134   135