FenixEdu™

Dissertação

Multivariate Data Methods for ASD Screening EVALUATED

Detalhes: Dispersões sólidas amorfas (ASDs) – dispersões sólido-sólido de um fármaco numa matriz polimérica para melhoramento da solubilização – são formas proeminentes de formular fármacos com baixa solubilidade, mas as variáveis que influenciam o seu sucesso ainda não são totalmente compreendidas. Duas características importantes na sua formulação são a carga de fármaco (rácio fármaco/polímero) e o efeito spring and parachute (SP). Este trabalho teve como objetivo desenvolver ferramentas computacionais para previsão destes outputs e simplificar os passos iniciais da triagem de ASDs. Para prever a carga, os modelos com sucesso desenvolvidos foram um modelo mínimos quadrados parciais (PLS) com variáveis do fármaco, polímero e interação, e um modelo PLS apenas com variáveis do fármaco. Definindo como limite 10% de diferença face ao valor real, foram obtidas precisões de 71% e 57% para um conjunto de ASDs comerciais, e 81% e 75% para um conjunto de ASDs internos, respetivamente. Estes modelos tiveram um desempenho muito superior face à metodologia atualmente utilizada (teoria de Flory-Huggins). Para prever o output SP, desenvolveram-se dois modelos: uma floresta aleatória e uma rede neural artificial (precisões de 67% e 56% num conjunto de observações externas, respetivamente). Estes podem ser utilizados para explorar um output “melhor-polímero” numa fase preliminar. A nova metodologia envolveria correr o novo fármaco no “PLS-fármaco-apenas” para excluir fármacos não promissores, correr o modelo SP para excluir polímeros inadequados, correr o fármaco combinado com os restantes polímeros no “PLS-todas-variáveis” para obter a carga para essas formulações, e formular experimentalmente os ASDs com a carga prevista.
Keywords: Dispersões Sólidas Amorfas, Análise de Dados Multivariada, Machine Learning, Mínimos Quadrados Parciais, Rede Neural Artificial, Floresta Aleatória

Discussão: janeiro 15, 2021, 9:0