Machine Learning Based Quantitative Structure–Dissolution Profile Relationship
Notice bibliographique
Résumé
Determining accurate drug dissolution processes in the gastrointestinal tract is critical in drug discovery as dissolution profiles provide essential information for estimating the bioavailability of orally administered drugs. While various methods have been developed to predict drug solubility based on chemical structures, no reliable tools currently exist for predicting the dissolution rate constant. This study presents a novel two-stage machine learning approach, termed Machine Learning based Quantitative Structure–Dissolution Profile Relationship, which integrates physics-informed neural networks (PINNs) and deep neural networks (DNNs) to predict drug dissolution profiles in water, with varying concentrations of surfactant Sodium Lauryl Sulfate. In the first stage, PINNs extract key dissolution parameters─namely the dissolution rate constant ( k ) and the dissolved mass fraction at saturation (ϕ s )─from existing dissolution data. By leveraging a physical law governing the dissolution process, PINNs aim to enhance prediction performance and reduce data requirements. Assuming first-order kinetics of the drug dissolution process as described by the Noyes–Whitney equation, PINNs, with 8 hidden layers and 40 neurons per layer, may outperform traditional nonlinear regression by effectively filtering noise and focusing on physically meaningful data. In the second stage, these extracted parameters ( k and ϕ s ) are used to train a DNN to predict dissolution profiles based on the drug’s chemical structure and dissolution medium. Using the FDA-recommended metrics: the difference and similarity factors ( f 1 and f 2 ), the DNN─with 128 neurons in two hidden layers and a learning rate of 10 –2.8 ─achieved an average testing accuracy of 61.7% at an 80:20 train-to-test split. Although this current accuracy is below the generally acceptable range of 70–80%, this approach shows significant potential as a low-cost, time-efficient tool for early phase drug formulation. Future improvements are expected as data quality and diversity increase.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».