From physics to prediction: genetic algorithm-optimized neural network using hansen solubility parameters for pharmaceutical solubility in neat and mixed solvents
Notice bibliographique
Résumé
Reliable prediction of active pharmaceutical ingredient (API) solubility in complex solvent systems remains challenging. Existing models often sacrifice generalizability for accuracy or have limited applicability due to implementation complexity. The current study presents a practical, streamlined modeling framework requiring only temperature, solvent composition, and Hansen solubility parameters (HSPs) — information that is simple and readily accessible. These parameters serve as inputs for an effective and easy-to-apply model: the multilayer perceptron artificial neural network (MLPANN). Beyond optimizing the network architecture with a genetic algorithm (GA), model accuracy is further supported by six input scenarios designed to explore alternative HSP formulations and dimensional reduction strategies. To ensure generality, the MLPANN was trained on 496 experimental solubility values of acetaminophen, diazepam, ibuprofen, lorazepam, and naproxen in both neat and binary solvent systems, including water, ethanol, isopropanol, dioxane, NMP, and propylene glycol. Two scenarios, using the optimized networks, achieved R 2 values exceeding 0.99 across training, validation, and testing subsets. Graphical validation—an important aspect often overlooked in previous studies—demonstrated excellent predictive performance for unseen testing data of acetaminophen in isopropanol–water and naproxen in ethanol–water mixtures.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».