چارچوب های فلز-آلی و بررسی کاربرد آنها در داروهای ضدسرطانی به روش یادگیری ماشین

در این تحقیق، چارچوب‌های فلز-آلی (mofs) به‌عنوان حامل‌های دارویی به دلیل ساختارهای متخلخل و ظرفیت بارگذاری بالای خود مورد بررسی قرار گرفتند. هدف این مطالعه، استفاده از الگوریتم‌های یادگیری ماشین برای پیش‌بینی دقیق درصد رهایش دارو از mof ها در شرایط مختلف بود. برای این منظور، داده‌های حاصل از آزمایش‌های آزمایشگاهی و مقالات علمی، شامل ویژگی‌هایی مانند اندازه منافذ، مساحت سطح، چگالی، حجم منافذ، ph ، بارگذاری دارو، زمان، آب گریزی، نوع دارو، نوع mof  به‌عنوان ورودی مدل‌های یادگیری ماشین استفاده شدند و درصد رهایش دارو به عنوان خروجی در نظر گرفته شد. همچنین، برای استخراج داده‌های آزمایشگاهی از روش‌های مختلف آنالیز شامل میکروسکوپ الکترونی روبشی (sem)، پراش پرتو ایکس (xrd) و جذب سطحی نیتروژن (bet) استفاده شد. سپس، چهار الگوریتم مختلف شامل رگرسیون بردار پشتیبان (svr)، gradient boosting، جنگل تصادفی (random forest) و درخت تصمیم (decision tree) برای پیش‌بینی درصد رهایش دارو به کار گرفته شدند. نتایج نشان داد که الگوریتم gradient boosting با 0.85 =r² بهترین عملکرد را در پیش‌بینی‌ها داشت، در حالی که جنگل تصادفی 0.81 =r² و درخت تصمیم 0.72 =r² نیز نتایج قابل قبولی ارائه دادند. مدل svr  نیز توانست 0.64 =r² را به‌دست آورد. در نهایت، تحلیل اهمیت ویژگی‌ها نشان داد که که اندازه منافذ مهم‌ترین عامل در تعیین کارایی رهایش دارو است. مساحت سطحی mofs نیز از اهمیت بالایی برخوردار است. این نتایج نشان‌دهنده توانایی بالای الگوریتم‌های یادگیری ماشین در پیش‌بینی رفتار رهایش دارو و بهینه‌سازی طراحی mofها برای کاربردهای دارورسانی است.

metal-organic frameworks and their application in anticancer drugs: a machine learning approach

in this study, metal-organic frameworks (mofs) were examined as drug carriers due to their porous structures and high loading capacities. the goal of the research was to utilize machine learning algorithms to accurately predict the drug release percentage from mofs under various conditions. for this purpose, experimental data and scientific literature, including features such as pore size, surface area, density, pore volume, ph, drug loading, time, hydrophobicity, drug type, and mof type, were used as inputs for machine learning models. the drug release percentage was considered as the output. experimental data were obtained using various analyses such as sem, xrd, and bet. four different algorithms, including support vector regression (svr), gradient boosting, random forest, and decision tree, were employed to predict drug release percentages.the results showed that the gradient boosting algorithm achieved the best performance with r² = 0.85, while random forest and decision tree provided acceptable results with r² = 0.81 and r² = 0.72, respectively. the svr model also achieved r² = 0.64. finally, feature importance analysis revealed that pore size was the most important factor in determining drug release efficiency, with mof surface area also playing a significant role. these findings demonstrate the high potential of machine learning algorithms in predicting drug release behavior and optimizing mof design for drug delivery applications.