یافته‌های اخیر نشان می‌دهد که چگونه چند مدل‌سازی که توسط هوش مصنوعی انجام شده می‌تواند در طراحی نانوذرات با خواص رهایش دقیق دارو کمک کند.
افزایش خواست عمومی به سوی درمان شخصی سرطان باعث شده تا تمرکز زیادی روی تولید زیست‌مواد پاسخ‌گو به محرک‌های خارجی به وجود آید، زیست‌موادی که می‌توانند دارو را به قسمت های خاصی در بدن برسانند و از ورود دارو به نواحی دیگر بدن جلوگیری کنند.
در بین این نوع مواد، نانوذرات مبتنی بر پلی لاکتیک- Co-گلیکولیک اسید (PLGA) چشم انداز امیدوارکننده‌ای را در سیستم‌های تحویل هدفمند دارو دارند.
به تازگی مقاله‌ای منتشر شده است، که در آن از چهار روش مختلف یادگیری ماشین (ML) استفاده شده تا مدل‌هایی را پیش‌بینی و درک عوامل تأثیرگذار مؤثر بر ویژگی‌های نانوذرات مبتنی بر PLGA را بررسی کند. این مدلها با استفاده از پارامترهای مربوط به اندازه نانوذرات، راندمان محصور سازی (E.E. ٪) و بارگذاری دارو (D.L. ٪) آموزش داده شدند. از شاخص‌هایی نظیر “کمترین میزان کوچک شدن” و “اپراتور انتخاب” برای شناسایی تأثیرگذارترین ویژگی‌های مؤثر بر این پارامترها استفاده شد.
این مدلها با استفاده از یک روش اعتبارسنجی تأیید شدند و با استفاده از معیارهایی مانند خطای مطلق، میانگین خطای مطلق و R-Square مورد بررسی قرار گرفتند.
حوزه نانودارو که شامل طراحی داروهای نانویی و عوامل تصویربرداری است، شاهد ورود روش‌های جدید هوش مصنوعی و یادگیری ماشینی بوده است. این رویکردهای محاسباتی دقت بیشتری را ارائه می‌دهند و می‌توانند پیچیدگی سیستم‌های تحویل دارو را بهتر از روش‌های سنتی آزمایش و خطا داشته باشند. این مطالعه بر پتانسیل هوش مصنوعی در طراحی فرمولاسیونی با بهبود کنترل خواص و نتایج بهینه تأکید کرده است، که نشان‌دهنده کاربردهای هوش مصنوعی در سیستم‌های میکروسیالی و بهینه‌سازی خصوصیات میکرو ذرات است.
