基于随机森林算法的溶出方法中溶出介质pH预测模型研究

中国药物评价 ›› 2025, Vol. 42 ›› Issue (2): 91-94.

基于随机森林算法的溶出方法中溶出介质pH预测模型研究

曹文军^1，2，李佐静^1*

1.沈阳药科大学，辽宁沈阳 117004；
2.美药典标准研发技术服务（上海）有限公司，上海 200137

收稿日期:2024-12-05 修回日期:2025-02-27 出版日期:2025-04-28 发布日期:2025-04-28

Research on the Prediction Model of Dissolution Medium pH in the Dissolution Method Based on Random Forest Algorithm

1.Shenyang Pharmaceutical University， Liaoning Shenyang 117004， China
2.United States Pharmacopeia Standard Research & Development and Technical Service (Shanghai) Co.， Ltd. Shanghai 200137， China

Received:2024-12-05 Revised:2025-02-27 Online:2025-04-28 Published:2025-04-28

摘要/Abstract

摘要： 药品的溶出测试在研发过程中发挥着重要的作用，对溶出方法中的参数进行预测，可帮助提高药品溶出方法的开发效率。本研究通过随机森林机器学习算法，基于1 331条数据集，使用网格搜索技术对超参数进行调优，构建溶出方法中溶出介质pH预测模型。构建的随机森林分类预测模型的AUC分别为0.85（Class 1）、0.90（Class 2）、0.86（Class 3）、0.87（Class 4），准确率为0.76。通过优化后的随机森林算法构建的溶出方法中溶出介质pH预测模型，可为药品溶出方法的开发提供参考，提升开发效率。

关键词: font-size:medium, ">机器学习；随机森林；溶出方法；网格搜索

Abstract: The dissolution test plays an important role in the drug research and development， and the prediction of parameters in the dissolution method can help improve the efficiency of the development of dissolution method. In this study， a random forest machine learning algorithm was used to construct a prediction model of the dissolution medium pH in the dissolution method based on 1331 datasets. The hyperparameters were tuned using grid search techniques. The AUC of the optimized random forest classification prediction model was 0.85(Class 1)， 0.90(Class 2)， 0.86(Class 3)， and 0.87(Class 4)， respectively， and the accuracy was 0.76. The pH prediction model of the dissolution medium for the dissolution method constructed by the optimized random forest algorithm can provide a reference for the development of drug dissolution methods and improve the development efficiency.

Key words: font-size:medium, ">Machine learning； Random forest； Dissolution methods； Grid search

中图分类号:

曹文军, 李佐静. 基于随机森林算法的溶出方法中溶出介质pH预测模型研究[J]. 中国药物评价, 2025, 42(2): 91-94.

参考文献

[1] 国家药典委员会. 中华人民共和国药典（四部） [S]. 2020年版. 北京：中国医药科技出版社，2020： 132.
     [2] Marroum PJ， History and evolution of the dissolution test [J]. Dissolution Technologies， 2014， 21(3)： 11-16.
     [3] 许鸣镝，胡琴. 中、美、英三国新版药典溶出度、释放度检查方法比较 [J]. 中国药学杂志， 2000， 35(7)： 491-494.
     [4] 牟聪，王东凯. 基于硝苯地平控释片体外研究预测制剂的生物等效性 [J]. 中国药剂学杂志， 2024， 22(4)： 123-130.
     [5] Qi X， Zhao Y， Qi Z， et al. Machine learning empowering drug discovery： applications， opportunities and challenges [J]. Molecules， 2024， 29(4)： 903.
     [6] Adam JG， Machine learning in drug delivery [J]. J Controlled Release， 2024， 373： 23-30.
     [7] 张凯笑，熊婧，郭涛，等. 以药品监管理念为导向的基于近红外光谱与机器学习联用的艾叶真伪判别研究 [J]. 中国药学杂志， 2024， 59(13)： 1238-1245.
     [8] Warkentin MT， Al-Sawaihey H， Lam S， et al. Radiomics analysis to predict pulmonary nodule malignancy using machine learning approaches [J]. Thorax， 2024， 79(4)： 307-315.
     [9] Taseva AR， Persoons T， D′Arcy DM. Application of an AI image analysis and classification approach to characterise dissolution and precipitation events in the flow through apparatus [J]. Eur J Pharm Biopharm， 2023， 189： 36-47.
     [10] 楼永军，左丽丽，何佳佳，等. 溶出度检查用十二烷基硫酸钠聚类分析方法的可行性探索 [J]. 药物分析杂志， 2020， 40(9)： 1692-1696.
     [11] Bannigan P， Bao Z， Hickman RJ， et al. Machine learning models to accelerate the design of polymeric long-acting injectables [J]. Nature Communications， 2023， 14(1)：35.
     [12] 方匡南，吴见彬，朱建平，等. 随机森林方法研究综述 [J]. 统计与信息论坛， 2011， 26(3)： 32-38.
     [13] Hastie T， Tibshirani R， Friedman J， The elements of statistical learning [M]. New York： Springer Science Business Media LLC， 2017： 587-604.
     [14] Bocci G， Oprea TI， Benet BZ， State of the Art and Uses for the Biopharmaceutics Drug Disposition Classification System(BDDCS)： New Additions， Revisions， and Citation References [J]. AAPS J， 2022， 24： 37.
     [15] Warkentin MT， Al-Sawaihey H， Lam S， et al. Radiomics analysis to predict pulmonary nodule malignancy using machine learning approaches [J]. Thorax， 2024，79(4)： 307-315.
     [16] Jiang X， Xu C. Deep learning and machine learning with grid search to predict later occurrence of breast cancer metastasis using clinical data [J]. J Clin Med， 2022，11(19)：5772.