微粒子ベースの薬物製剤の最適な注入性のためのモデリング、設計、および機械学習ベースのフレームワーク

従来の皮下注射針を介した微粒子の非効率的な注射は、バイオ医薬品および微粒子ベースの薬物製剤の臨床翻訳に深刻な課題を課す可能性があります。この研究の目的は、微粒子の注入性に影響を与える重要な要因を決定し、計算流体のダイナミクス、実験の設計、および機械学習を使用して予測フレームワークを確立することを目的としています。シリンジニードルシステムの微粒子の流れと針の閉塞を調べるために、数値的多目的モデルが開発されました。実験データを使用して、単純な経験的数学モデルが導入されました。注射実験の結果は、その後、人工ニューラルネットワークに組み込まれ、注入性の予測フレームワークを確立しました。最後に、シミュレーションと実験結果は、in vitroおよびin vivoでの注射能力を最大化するシリンジの設計に貢献しました。カスタムインジェクションシステムにより、市販の注射器と比較して、大きな微粒子の注入能が6倍増加する可能性がありました。この研究は、非経口経路による微粒子ベースの薬物の最適な注入のために提案されたフレームワークの重要性を強調しています。

Inefficient injection of microparticles through conventional hypodermic needles can impose serious challenges on clinical translation of biopharmaceutical drugs and microparticle-based drug formulations. This study aims to determine the important factors affecting microparticle injectability and establish a predictive framework using computational fluid dynamics, design of experiments, and machine learning. A numerical multiphysics model was developed to examine microparticle flow and needle blockage in a syringe-needle system. Using experimental data, a simple empirical mathematical model was introduced. Results from injection experiments were subsequently incorporated into an artificial neural network to establish a predictive framework for injectability. Last, simulations and experimental results contributed to the design of a syringe that maximizes injectability in vitro and in vivo. The custom injection system enabled a sixfold increase in injectability of large microparticles compared to a commercial syringe. This study highlights the importance of the proposed framework for optimal injection of microparticle-based drugs by parenteral routes.