Wprowadzenie do badania rozpuszczalności rywaroksabanu
W ostatnich latach rywaroksaban, doustny antykoagulant, stał się przedmiotem intensywnych badań ze względu na swoje zastosowanie w profilaktyce i leczeniu zaburzeń zakrzepowo-zatorowych. Jego niska rozpuszczalność w wodzie stwarza poważne wyzwania w zakresie formułowania leków oraz ich biodostępności. Właściwości farmaceutyczne, takie jak skuteczność terapeutyczna i zgodność pacjentów, są ściśle związane z rozpuszczalnością substancji czynnych. W związku z tym, zrozumienie i optymalizacja rozpuszczalności rywaroksabanu jest kluczowe dla jego skutecznego wykorzystania w praktyce klinicznej.
Znaczenie rozpuszczalności w kontekście farmaceutycznym
Rozpuszczalność jest jednym z najważniejszych czynników wpływających na biodostępność leków. W przypadku rywaroksabanu, jego klasyfikacja w systemie klasyfikacji biopharmaceutical (BCS) jako leku klasy II, wskazuje na problemy związane z niską rozpuszczalnością, co może prowadzić do konieczności stosowania wyższych dawek. Wysoka dawka może z kolei zwiększać ryzyko działań niepożądanych, takich jak powikłania krwotoczne. Dlatego tak istotne jest poszukiwanie innowacyjnych podejść do poprawy rozpuszczalności tego leku, co może przyczynić się do jego lepszego zastosowania klinicznego.
Nowe podejście do optymalizacji rozpuszczalności rywaroksabanu
Badania przeprowadzone w niniejszym artykule koncentrują się na wykorzystaniu mieszanych systemów rozpuszczalnikowych, które mogą wykorzystać synergiczne działanie różnych rozpuszczalników w celu poprawy rozpuszczalności rywaroksabanu. W szczególności badano wpływ alkoholi pierwszorzędowych w połączeniu z dichlorometanem, co jest istotne z perspektywy procesów przemysłowych, takich jak krystalizacja, oczyszczanie i produkcja leków. W badaniach zastosowano również modele uczenia maszynowego do przewidywania rozpuszczalności rywaroksabanu w zależności od temperatury, rodzaju rozpuszczalnika oraz masowej frakcji dichlorometanu.
Wyniki badań i ich znaczenie
Wyniki badań pokazują, że zastosowanie modelu AdaBoost Gaussian Process Regression (ADAGPR) przyniosło najlepsze rezultaty, osiągając współczynnik determinacji R² równy 0.96485, co potwierdza jego wysoką dokładność i niezawodność w przewidywaniu rozpuszczalności. W badaniach uwzględniono również inne modele, takie jak AdaBoost Multilayer Perceptron (ADAMLP) oraz AdaBoost LASSO Regression (ADALASSO), które również wykazały się dobrą wydajnością, jednak z nieco niższymi wynikami.
Analiza wyników
- ADAGPR: R² = 0.96485, RMSE = 1.2949 × 10-4, MAPE = 5.60309 × 10-1
- ADAMLP: R² = 0.96022, RMSE = 1.271 × 10-4, MAPE = 6.18765
- ADALASSO: R² = 0.88712, RMSE = 8.113 × 10-5, MAPE = 9.57991
Optymalne warunki rozpuszczalności rywaroksabanu zidentyfikowano w temperaturze 308.15 K przy masowej frakcji 0.8190 w mieszaninie dichlorometanu i metanolu, co daje przewidywaną rozpuszczalność równą 4.232736 × 10-3.
Dyskusja nad wynikami
Otrzymane wyniki podkreślają znaczenie połączenia zasad inżynierii chemicznej z zaawansowanym modelowaniem predykcyjnym w celu optymalizacji rozpuszczalności w złożonych systemach rozpuszczalnikowych. Wnioski te mają kluczowe znaczenie dla rozwoju farmaceutycznego oraz optymalizacji procesów produkcyjnych. Ponadto, zastosowanie uczenia maszynowego w analizie rozpuszczalności stanowi nowatorskie podejście, które może przyspieszyć rozwój formuł leków i poprawić ich biodostępność.
Podsumowanie i wnioski
Badania te pokazują, że zaawansowane techniki uczenia maszynowego, takie jak ADAGPR, mogą znacząco przyczynić się do rozwiązania problemów związanych z przewidywaniem rozpuszczalności w systemach rozpuszczalnikowych. Wykazano, że rozpuszczalność rywaroksabanu jest silnie uzależniona od temperatury oraz składu rozpuszczalnika, co otwiera nowe możliwości w zakresie formułowania leków. Przyszłe badania powinny skupić się na rozszerzeniu zakresu badań o inne systemy rozpuszczalnikowe oraz uwzględnieniu dodatkowych właściwości fizykochemicznych, co może przyczynić się do dalszego doskonalenia modeli predykcyjnych.
Bibliografia
Alanazi Muteb, Alanazi Jowaher, Alharby Tareq Nafea and Huwaimel Bader. Correlation of rivaroxaban solubility in mixed solvents for optimization of solubility using machine learning analysis and validation. Scientific Reports 2025, 15(6), 14046-14128. DOI: https://doi.org/10.1038/s41598-025-89093-y.
