Nel recente pubblicato ” Ottimizzazione e previsione del rilascio di ibuprofene da stampi DLP 3D che utilizzano reti neurali artificiali “, i ricercatori serbi esplorano l’uso dettagliato della stampa 3D con farmaci, sperimentando per ottimizzare il rilascio prolungato di farmaci e la stampabilità target.

La progettazione di esperimenti (DoE) è una delle tecniche di ottimizzazione più popolari, insieme al continuo sviluppo di reti neurali artificiali (ANN). Approcci alternativi hanno utilizzato le RNA feed-forward. Con l’uso di reti neurali, i ricercatori possono raccogliere dati su entrambi i modelli e le relazioni, a seconda di un sistema di unità e neuroni assimilati con “coefficienti”. La rete neurale multistrato perceptron (MLP) è una delle più semplici, formata da più strati di neuroni che possono elaborare e generalizzare dopo un periodo di allenamento.

“DoE consente la determinazione della relazione quantitativa tra variabili di input selezionate e risposte mentre le ANN spesso mostrano prestazioni superiori nella previsione delle risposte per determinati valori di input”, hanno affermato i ricercatori. “ANN può essere utilizzato per completare una porzione di dati nel pool di dati di progettazione sperimentale, ottenendo risultati soddisfacenti per alcuni output, considerando il numero di dati sperimentali utilizzati per la modellazione.”

Una stampante 3D DLP Wanhao Duplicator 7 è stata utilizzata per fabbricare opuscoli per il dosaggio orale, con il modello progettato in Autodesk Fusion 360 .

I opuscoli sono stati stampati con i seguenti dettagli:

Spessore strato di 100 µm
Esposizione inferiore di 800 s
Dieci strati inferiori
I printlet sono stati fabbricati con successo con il tempo di esposizione precedentemente indicato di 800 s. Tutti i stampati avevano una superficie liscia e una forma coerente.

Per Neural Network 1, i ricercatori hanno scoperto che aumentando i livelli, hanno successivamente diminuito “il coefficiente di determinazione”, risultando in definitiva in una rete con tre unità di input e cinque output e otto unità nascoste in un singolo layer nascosto.

“MLP è stato testato con una serie di dati di test”, hanno affermato i ricercatori. “Sono state preparate ed esaminate tre formulazioni di test (Test 1, 2, 3) nelle stesse condizioni di test delle formulazioni F1 – F11. È stato costruito un diagramma di correlazione delle risposte ottenute sperimentalmente e quelle previste dalla MLP. Il coefficiente quadrato R 2 era 0,9478 “.

La rete neurale 2 è stata ottimizzata con cinque livelli nascosti, con unità di 5,5,6,5.

“Il set di dati consisteva in sottoinsiemi di addestramento (90% dei campioni) e di validazione (10% dei campioni)”, hanno affermato i ricercatori.

Il rilascio del farmaco è stato previsto nei punti di tempo di 4, 6 e 8 ore rispettivamente del 41,96%, 63,34%, 70,00% e 79,99%, con una formulazione placebo di successo.

“La relazione tra eccipienti e rilascio di farmaci nelle formulazioni testate è complessa e non lineare”, hanno concluso i ricercatori. “Le reti neurali artificiali con la loro capacità di generalizzare possono essere uno strumento utile per comprendere gli effetti degli eccipienti sulle caratteristiche dei opuscoli con l’obiettivo di stampare opuscoli con il rilascio di farmaco desiderato.

“Nessun singolo software o algoritmo di modellazione può risolvere tutti i problemi, ma per una migliore previsione e ottimizzazione, l’applicazione di software diversi può essere un metodo utile. In questo studio è stato dimostrato che un’adeguata RNA è in grado di comprendere la relazione input-output nella stampa DLP di prodotti farmaceutici. “

Lascia un commento