深度解析医学证据，lxfs.net为你支撑决策

背景介绍

药物递送是连接药物创新与临床实施的关键桥梁，然而传统药物递送系统在实现最佳治疗效果方面面临诸多挑战，包括药物稳定性、释放动力学、药物-药物相互作用及生物相容性等复杂问题。过去数十年间，定量构效关系（QSAR）、定量构性关系（QSPR）和生理药代动力学模型（PBPK）等计算方法已被用于加速药物开发，但这些传统方法在处理大数据时仍存在效率和准确性不足的问题。随着人工智能（AI）技术的迅猛发展，包括机器学习（ML）和深度学习（DL）在内的先进算法为药物递送领域带来了革命性变革的机遇。

研究思路

针对上述挑战，浙江大学张宇琪教授、顾臻教授等团队系统综述了AI在药物递送领域的应用进展。AI通过分析化合物数据库预测药物性质、优化制剂设计、模拟药物释放动力学，并整合实时监测与先进算法控制，实现精准的靶向递送和可控释放。该综述聚焦于三大核心方向：AI设计的药物制剂（涵盖片剂、透皮制剂、纳米载体、AAV载体及药用辅料）、AI驱动的ADMET性质预测（吸收、分布、代谢、排泄、毒性），以及AI辅助的药物递送医疗设备（包括智能胰岛素递送系统、无人机急救系统等），为AI赋能药物递送提供了全景式框架。相关内容以 Artificial Intelligence for Drug Delivery 发表在 ACS Nano！

图片解析

图1. AI在药物递送中的整合应用： 展示了AI技术（包括ML和DL）在药物递送领域的三大应用方向：制剂设计（片剂、透皮制剂、纳米载体等）、ADMET性质预测（吸收、分布、代谢、排泄、毒性）以及AI集成的药物递送设备（如闭环胰岛素泵、无人机急救系统等），体现了AI从药物开发到临床应用的贯穿式赋能。

图2. AI在制剂设计中的应用： (a) 制剂性质预测——AI优化片剂性能（药物分布、厚度、脆碎度等）；(b) 药物渗透预测——AI预测并优化药物经皮渗透，筛选具有足够渗透性的组分；(c) mRNA转染效率和聚合物纳米颗粒制剂预测；(d) AAV感染效率预测——AI从多样化衣壳文库中识别最有效的AAV用于DNA感染。

图3. 七种ML技术与七种方法在ACDINA数据库中预测DIG活性的综合评估： 包括五种经典ML方法（SVM、RF、NB、XGBoost和k-近邻）和两种DL方法（DNN和CNN）。ANY-M表示被任意M种ML技术预测为相互作用的DIG-靶点对，ALL-7表示被全部七种ML技术预测为相互作用的DIG-靶点对，展示了多模型集成策略在药用辅料生物活性预测中的应用。

图4. 4-CR脂质文库构建及ML算法预测： (a) 脂质文库合成与筛选流程示意；(b) 通过四组分反应生成的584种化学多样性可电离脂质文库；(c) ML训练及后续预测流程概览。通过XGBoost模型从4万种虚拟脂质中筛选出16种最有前景的候选物，展示了ML在LNP制剂优化中的实际应用可行性。

图5. AI驱动的ADMET性质预测模型： 展示了利用ML和DL进行ADMET性质预测的整体框架，包括通过分子描述符输入→模型训练→性质预测→结果输出的完整流程，覆盖了药物吸收（脂溶性、溶解度、pKa、Caco-2细胞渗透性）、分布（血浆蛋白结合）、代谢（CYP450酶底物/抑制剂）、排泄（半衰期）和毒性（药物性肝损伤）等关键药代动力学参数。

图6. AI辅助药物递送医疗设备： (a) 个性化打印贴片应用流程——通过喷墨打印机将药物溶液按特定图案打印至基底，实现根据皮肤病变严重程度和位置的个性化给药；(b) 无人机急救系统（uFAST）——在小型猪模型中实现自主起飞、轨迹规划、目标识别和精准给药，展示AI技术在紧急医疗响应中的应用潜力。

结论

AI技术已在药物递送领域展现出变革性力量，从制剂设计中的配方优化（处理复杂非线性关系）、ADMET性质预测中的高通量虚拟筛选，到智能医疗设备中的实时反馈控制，AI正在推动药物递送向精准化、个性化和智能化方向发展。尽管仍面临数据质量不一、模型可解释性不足、监管框架不完善等挑战，但随着新型ML架构、DL架构及复合模型系统的持续涌现，以及可解释AI（XAI）方法的引入，AI赋能的药物递送系统有望在未来实现从“黑箱”到“透明”的跨越，为精准医疗和下一代药物递送范式开辟新路径。

阅读全文

小提示：本篇资讯仅在梅斯医学APP中开放阅读，请扫描二维码直接下载APP