В новом исследовании ученые применили три модели машинного обучения — Полиномиальную регрессию (PR), Extreme Gradient Boosting (XGB) и LASSO — для оценки растворимости нифлумика в суперcritical углекислом газе (SC-CO2). Используя алгоритм Barnacles Mating Optimizer (BMO) для оптимизации гиперпараметров, они достигли впечатляющих результатов.
Полиномиальная регрессия показала наилучшие результаты, с R² 0.99207 для оценки плотности SC-CO2 и 0.96949 для растворимости нифлумика. XGB также продемонстрировала хорошие показатели, с R² 0.92673 и 0.92961 соответственно. Модель LASSO, хоть и менее точная, все же показала конкурентоспособные результаты.
Проблема низкой растворимости лекарств в водных растворах остается актуальной, и использование суперcritical CO2 как растворителя может значительно улучшить ситуацию. Это открывает новые возможности для разработки и коммерциализации лекарств, позволяя уменьшить дозировки и повысить эффективность.
Исследование подчеркивает важность машинного обучения в фармацевтической науке, предлагая новые подходы к оптимизации процессов. Результаты могут быть полезны для материаловедения, химической инженерии и фармацевтических исследований, поддерживая принятие обоснованных решений и оптимизацию процессов.