Data-driven development of an oral lipid-based nanoparticle formulation of a hydrophobic drug
Notice bibliographique
Résumé
Abstract Due to its cost-effectiveness, convenience, and high patient adherence, oral drug administration often remains the preferred approach. Yet, the effective delivery of hydrophobic drugs via the oral route is often hindered by their limited water solubility and first-pass metabolism. To mitigate these challenges, advanced delivery systems such as solid lipid nanoparticles (SLNs) and nanostructured lipid carriers (NLCs) have been developed to encapsulate hydrophobic drugs and enhance their bioavailability. However, traditional design methodologies for these complex formulations often present intricate challenges because they are restricted to a relatively narrow design space. Here, we present a data-driven approach for the accelerated design of SLNs/NLCs encapsulating a model hydrophobic drug, cannabidiol, that combines experimental automation and machine learning. A small subset of formulations, comprising 10% of all formulations in the design space, was prepared in-house, leveraging miniaturized experimental automation to improve throughput and decrease the quantity of drug and materials required. Machine learning models were then trained on the data generated from these formulations and used to predict properties of all SLNs/NLCs within this design space (i.e., estimated to be more than 1200 formulations). Notably, formulations predicted to be high-performers via this approach were confirmed to significantly enhance the solubility of the drug by up to 3000-fold and prevent drug degradation. Moreover, our high-performance formulations significantly enhanced the oral bioavailability of the drug compared to both its free form and an over-the-counter version. Furthermore, this bioavailability matched that of a formulation equivalent in composition to the FDA-approved product, Epidiolex®.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».