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. 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). 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. 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.

 Наукова періодика України 

---

Додаткова інформація про автора(ів) публікації:
(cписок формується автоматично, до списку можуть бути включені персоналії з подібними іменами або однофамільці)

• Бурлака Богдан Сергійович (фармацевтичні науки)
• Бєленічев Ігор Федорович (медичні науки)

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"