論文の概要: Predicting Early and Complete Drug Release from Long-Acting Injectables Using Explainable Machine Learning

• arxiv url: http://arxiv.org/abs/2601.02265v1
• Date: Mon, 05 Jan 2026 16:49:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.287165
• Title: Predicting Early and Complete Drug Release from Long-Acting Injectables Using Explainable Machine Learning
• Title（参考訳）: 説明可能な機械学習を用いた長期インジェクタブルからの早期・完全薬物放出予測
• Authors: Karla N. Robles, Manar D. Samad,
• Abstract要約: LAI(Long-acting Injectables)は、薬剤の投与を可能にすることによって慢性疾患の治療を変革した。 機械学習(ML)は、LAI特性と薬物放出の間の複雑な関係をモデル化することにより、LAI開発を加速することができる。 本稿では、321 LAI定式化から実行可能な情報を合成するための新しいデータ変換と説明可能なML手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Polymer-based long-acting injectables (LAIs) have transformed the treatment of chronic diseases by enabling controlled drug delivery, thus reducing dosing frequency and extending therapeutic duration. Achieving controlled drug release from LAIs requires extensive optimization of the complex underlying physicochemical properties. Machine learning (ML) can accelerate LAI development by modeling the complex relationships between LAI properties and drug release. However, recent ML studies have provided limited information on key properties that modulate drug release, due to the lack of custom modeling and analysis tailored to LAI data. This paper presents a novel data transformation and explainable ML approach to synthesize actionable information from 321 LAI formulations by predicting early drug release at 24, 48, and 72 hours, classification of release profile types, and prediction of complete release profiles. These three experiments investigate the contribution and control of LAI material characteristics in early and complete drug release profiles. A strong correlation (>0.65) is observed between the true and predicted drug release in 72 hours, while a 0.87 F1-score is obtained in classifying release profile types. A time-independent ML framework predicts delayed biphasic and triphasic curves with better performance than current time-dependent approaches. Shapley additive explanations reveal the relative influence of material characteristics during early and for complete release which fill several gaps in previous in-vitro and ML-based studies. The novel approach and findings can provide a quantitative strategy and recommendations for scientists to optimize the drug-release dynamics of LAI. The source code for the model implementation is publicly available.
• Abstract（参考訳）: 高分子系長期作用型注射器(LAI)は、薬剤の投与を制御し、投与頻度を減らし、治療期間を延長することで慢性疾患の治療を変革した。 LAIから薬物を放出するには、複雑な物理化学的性質を広範囲に最適化する必要がある。 機械学習(ML)は、LAI特性と薬物放出の間の複雑な関係をモデル化することにより、LAI開発を加速することができる。 しかし、近年のML研究は、LAIデータに合わせたカスタムモデリングと分析の欠如により、薬物放出を調節する重要な性質について限られた情報を提供してきた。 本稿では,321 LAI定式化から,医薬品の早期放出を24時間,48時間,72時間,リリースプロファイルの分類,および完全放出プロファイルの予測によって,新たなデータ変換と説明可能なML手法を提案する。 これらの3つの実験は、早期および完全薬物放出プロファイルにおけるLAI材料特性の寄与と制御について検討した。 薬剤の放出は72時間で強く相関する(>0.65)が, 分泌プロファイルの分類では0.87F1スコアが得られた。 時間に依存しないMLフレームワークは、現在の時間に依存したアプローチよりも優れたパフォーマンスで、遅延二相曲線と三相曲線を予測する。 シェープな加法的説明は、以前のインビトロとMLに基づく研究でいくつかのギャップを埋める、早期および完全リリースにおける材料特性の相対的な影響を明らかにしている。 新たなアプローチと発見は、科学者がLAIの薬物放出ダイナミクスを最適化するための定量的戦略と勧告を提供することができる。 モデル実装のソースコードが公開されている。

関連論文リスト

• DrugImproverGPT: A Large Language Model for Drug Optimization with Fine-Tuning via Structured Policy Optimization [53.27954325490941]
  大規模言語モデル(LLM)の微調整は、特定の目的に向けて結果を生成するために不可欠である。 本研究は,薬物最適化LSMに基づく生成モデルを微調整するための新しい強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-11T04:00:21Z)
• SMILES-Mamba: Chemical Mamba Foundation Models for Drug ADMET Prediction [16.189335444981353]
  小分子の薬物の吸収、分布、代謝、排出、毒性を予測することは安全性と有効性を確保するために重要である。 本稿では,ラベル付きデータとラベル付きデータの両方を活用する2段階モデルを提案する。 その結果,SMILES-Mambaは22のADMETデータセットの競合性能を示し,14のタスクで最高スコアを達成した。
  論文  参考訳（メタデータ） (2024-08-11T04:53:12Z)
• YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention [9.018408514318631]
  伝統的な手法は複雑な分子構造を見逃し、不正確な結果をもたらすことが多い。 本稿では,グラフ畳み込みネットワーク(GCN),トランスフォーマーアーキテクチャ,Long Short-Term Memory(LSTM)ネットワークを統合するディープラーニングフレームワークであるYZS-Modelを紹介する。 YZS-Modelは、R2$ 0.59、RMSE$ 0.57を達成し、ベンチマークモデルを上回った。
  論文  参考訳（メタデータ） (2024-06-27T12:40:29Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• MolDesigner: Interactive Design of Efficacious Drugs with Deep Learning [61.74958429818077]
  MolDesignerは、ドラッグ開発者のためのヒューマン・イン・ザ・ループ・ウェブ・ユーザ・インタフェース(UI)である。 開発者は、インターフェイスに薬物分子を描画することができる。 バックエンドでは、17以上の最先端のDLモデルが、薬物の有効性に不可欠な重要な指標の予測を生成する。
  論文  参考訳（メタデータ） (2020-10-05T21:25:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。