ACS Nano | 应用机器学习驱动优化微针策略，治疗雄激素性脱发: 可溶性微针

英文原题：Machine Learning-Driven Optimization of Therapeutic Substance Composition for High-Hardness, Fast-Dissolving Microneedles for Androgenetic Alopecia Treatment

通讯作者：孙晶，吉林大学中日联谊医院；唐纪琳，中国科学院长春应用化学研究所；王大鹏，中国科学院长春应用化学研究所。

作者： Peiyu Yan（颜培玉）, Jing Sun（孙晶）,* Yuehua Zhao（赵跃华）, Wei Deng（邓伟）, Miaomiao Zhang（张苗苗）, Yang Li（李杨）, Xiangru Chen（陈香儒）, Ming Hu（胡铭）, Jilin Tang（唐纪琳）,* and Dapeng Wang（王大鹏）*

背景介绍

随着社会经济的快速发展，人们在生活和工作中面临的压力日益加剧，雄激素性脱发（Androgenetic Alopecia, AGA）的发病率也呈上升趋势。富血小板血浆（Platelet-Rich Plasma, PRP）治疗AGA因其良好的疗效和安全性，展现出广阔的应用前景。然而，目前其递送方式在有效性和舒适性方面仍面临一定挑战。例如，传统的皮下注射方式往往伴随明显疼痛感，而将PRP直接制备成微针时，又存在机械强度不足、溶解速率缓慢等问题。因此，亟需设计并开发一种无痛、微创且高效的新型治疗策略，以造福广大AGA患者。

文章亮点

近日，王大鹏、唐纪琳和孙晶等结合其前期工作基础，提出了一个机器学习（ML）驱动的策略，其中包括整合治疗物质的选择、正交实验设计、机器学习（ML）预测和Pareto前沿识别。仅通过基于正交实验设计的18个实验的实施，仅调控多种治疗性物质组成配比即筛选出兼具高硬度与快速溶解性能的材料组成，进一步制备微针材料用于治疗雄激素性脱发，如图1所示。

图1.机器学习（ML）辅助优化多功能纳米复合材料微针治疗雄激素性脱发（AGA）的示意图。

为了减少实验次数及缩小试验范围，能够快速地找到多种物质各方面性能的平衡。研究人员首先设计了正交试验，根据正交试验的结果，采用了五种机器学习（ML）算法:岭回归(Ridge)、线性回归(Linear)、随机森林回归(RF)和极限梯度提升回归(XGB)。鉴于在低数据场景中，我们通过三重交叉验证在所有模型中实施了网格搜索、随机搜索和贝叶斯优化超参数调整。我们发现使用贝叶斯优化可以获得最佳性能，产生最准确预测的算法被选为代理模型；由五个数据组成的独立测试集验证模型的泛化能力。随后，采用非支配排序遗传算法II（NSGA-II）确定帕累托前沿，该前沿由在特定组分空间内能够最佳平衡压缩模量（CM）与溶解时间（ST）这一对相互制约性能的材料组成构成。如图2所示，正交实验设计，最大似然算法训练和Pareto前沿识别可以进行迭代，并通过调整组成空间来发现最佳组合，最好地平衡互斥平衡压缩模量（CM）和溶解时间（ST）的性质。

图2. 机器学习（ML）辅助优化纳米复合材料

总结/展望

通过机器学习优化多种治疗性物质的配比，在保持各种物质生物学功能的基础上，我们能够获得高硬度和快速溶解的富含富血小板血浆（PRP）的微针。通过体外和体内实验相结合，证实了优化的微针能够有效地突破皮肤组织屏障，快速、精准地释放治疗物质，进而有效地治疗雄激素性脱发（AGA）。未来机器学习驱动治疗疾病的策略，为临床治疗提供了更多的选择，有望成为新的治疗方案。

相关论文发表在期刊ACS Nano上，吉林大学中日联谊医院颜培玉主治医师为文章第一作者，吉林大学中日联谊医院孙晶教授、中国科学院长春应用化学研究所唐纪琳研究员和王大鹏研究员为通讯作者。

通讯作者信息：

https://www.x-mol.com/groups/wangdapeng

扫描二维码阅读英文原文