AI赋能药物递送系统的研究进展

Research progress on AI enabled drug delivery systems

摘要

人工智能（AI）通过机器学习算法处理复杂数据，加速药物载体开发，预测药代动力学相关参数，提升设计效率和精准性，在药物递送系统中展现出广阔的应用前景.相比于传统的药物递送系统设计耗时费力，AI赋能极大地提升了其实际应用效率.本文综述了AI在药物递送系统中的应用进展，探讨了AI赋能药物载体设计，总结AI在药物制剂与释放优化中模型的构建，分析了AI预测药代动力学的最新成果，并对AI赋能药物递送系统所面临的挑战以及未来的研究方向进行了总结与展望.

Abstract

Artificial intelligence （AI） processes complex data through machine learning algorithms， accelerates drug carrier development， predicts pharmacokinetic parameters， improves design efficiency and accuracy， and exhibts broad application prospects in drug delivery systems. Compared to traditional drug delivery systems which are time-consuming and laborious to design， AI empowerment greatly improves their practical application efficiency. This article reviews the application progress of AI in drug delivery systems. Firstly， the focus was on exploring AI enabled drug carrier design. Subsequently， the construction of AI models in drug formulation and release optimization was summarized， and the latest achievements in AI prediction of pharmacokinetics were analyzed. Finally， a summary and outlook were provided for the challenges faced by AI enabled drug delivery systems and future research directions.

Graphical abstract

关键词

人工智能 / 药物递送系统 / 药物载体 / 药代动力学 / 药物制剂

Key words

artificial intelligence / drug delivery system / drug carriers / pharmacokinetics / drug formulations

药物递送系统（drug delivery system，DDS）是一种能够用于将治疗性物质引入人体并改善其疗效和安全性的系统，它通过控制药物在体内的释放速率、时间和作用部位，优化药物的传递效率，减少副作用，并提高患者的依从性^［1］.AI是一种广泛的技术集合，旨在模拟人类智能行为，从无监督机器学习到回归分析和数据管理，涵盖机器学习（machine learning， ML）、深度学习（deep learning， DL）、人工神经网络（artificial neural network， ANN）、卷积神经网（convolutional neural network， CNN）等方法.它通过算法处理数据，实现感知、推理和决策^［2］.AI既可处理复杂任务，也面临数据偏见和透明度问题.其应用广泛，从图像识别到自然语言处理，推动各领域创新.

这些方法中ML是AI的核心分支，研究如何让计算机从数据中学习规律，而无需显式编程.主要方法包括监督学习、无监督学习、强化学习等.DL则是ML的子集，基于多层神经网络自动学习数据的高层特征，广泛应用于计算机处理领域^［3］.ANN是受生物神经元启发的计算模型，由输入层、隐藏层、输出层构成，用于回归、分类等任务.CNN 是专用于处理网格数据（如图像、视频）的DL模型，通过卷积核提取局部特征，广泛应用于计算机视觉任务^［4］.

AI技术在药物递送系统的设计与优化中展现出巨大的潜力，正逐步改变传统药物研发和治疗策略的面貌.近年来，随着纳米技术与AI的深度融合，药物递送系统的设计变得更加精准和高效^［5-6］.未来的研究将更加注重AI与纳米技术的深度整合，以开发出更加个性化、精准化的治疗方案.这不仅提高药物治疗的效果，还将为患者带来更加安全和有效的治疗体验，本文将总结近十年AI在药物载体、药物制剂与释放和药代动力学中的应用，并为未来AI赋能药物递送系统的设计提供参考.

为了更加直观地呈现AI在药物递送系统中的研究现状，利用来自Web of Science和中国知网的数据基于人工智能、药物递送、药物设计等关键词进行搜索，并进行可视化分析.如图1所示，近年来这一领域的出版物和研究数量急剧增加，表明AI/ML对药物递送系统的发现和设计过程具有重大影响.

1 AI赋能药物载体

药物载体是现代药物递送系统的核心组成部分，通过将药物包裹或结合在特定的纳米或微米级材料中，实现药物的靶向递送、缓释和增强生物利用度^［7］，其在提高药物疗效、减少副作用以及实现精准医疗方面具有重要意义，尤其是以纳米颗粒为载体的抗肿瘤药物，通过使用特殊的材料和表面改性，可以实现药物的控释和靶向给药^［8］.传统药物载体的设计和优化依赖于反复的实验过程，这种方法不仅耗时费力，而且难以快速适应复杂的生物医学需求.

随着AI技术的快速发展，AI赋能的药物载体设计和优化成为材料科学领域的革命性突破.AI技术能够通过ML算法处理大量数据，预测和优化载体的物理化学性质，从而加速载体的开发进程^［9］.将AI赋能的纳米粒子比作工具箱，它具有改变纳米颗粒的大小、形状、表面质量、靶向和组成的能力，以响应细胞产生的内源性和外源性刺激（图2）^［10］.利用AI并整合分子模拟和化学信息学等技术，能够成功预测重要的药物目标，提供可靠的关于药物与载体交互的信息，选择最佳的药物-载体^［11］.

1.1 AI赋能水凝胶的设计

水凝胶是一类独特的软材料，由亲水性聚合物网络组成，可保留大量水分.这些材料形成通过物理相互作用或化学键连接的聚合物链的3D网络，并且通常被分类为物理或化学凝胶^［12］.AI能够通过分析复杂数据集，快速发现水凝胶组成、结构与性能之间的复杂关系，加速材料发现、优化性能并降低成本.这些技术在药物递送、组织工程、伤口愈合等领域展现出巨大潜力，为水凝胶的定制化开发提供了新的解决方案^［13］.并且AI在水凝胶作为药物递送系统的工作流程中的适用性已通过建立预测模型、优化算法以及图像处理和识别得到证明，如ANN、随机森林（random forest， RF）、支持向量机（support vector machine， SVM）和逻辑回归（logistic regression， LR），已被应用于多个步骤，包括根据成分预测水凝胶的形成、提高3D打印性能、调整注射性能、优化支持功能、优化和预测药物释放曲线，以及提升临床效果（图3）^［14-15］.

Wang等^［16］开发了一种采用CNN技术的机器学习模型（图4），可实现实时伤口监测和评估，指导水凝胶的设计和制备，以及估计治疗效果和预测愈合结果，利用CNN深度学习算法进行信号分析，成功证明个性化伤口管理实现了对伤口感染和愈合状况的评估，准确率高达94.47%.Shokrollahi等^［17］研发了一种基于有限元分析和ML的模型，用于预测生物玻璃（bioglass， BG）-胶原蛋白（collagen， COL）复合水凝胶的力学性能.该模型通过CNN回归方法，利用微观结构图像预测杨氏模量和泊松比，预测准确率分别达到95%和83%.利用AI赋能水凝胶的设计与应用中，不只是提升了材料合成的成功率以及准确性，还能够使材料进一步趋向智能化.未来将AI技术融入控释、缓释水凝胶的系统中，可能会实现更加个性化精准化的治疗.

1.2 AI赋能脂质体的设计

脂质纳米粒（lipid nanoparticles， LNP）是一种可以将药物包载入磷脂双分子层的载体，目前美国食品药品监督管理局批准的所有LNP制剂均含有4种脂质，可电离的阳离子脂质、二硬脂酰基磷脂酰胆碱（1，2-distearoyl-sn-glycero-3-phosphocholine， DSPC）、胆固醇和聚乙二醇（polyethylene glycol， PEG）脂质偶联物.这些成分促进单分散纳米颗粒形成，改善纳米颗粒稳定性，使有效的核酸包封成为可能，有助于细胞摄取，并促进核酸货物的体内逃逸^［18］.如今，ML可以利用数据准确地学习和预测实验结果，AI可以有效地揭示和支持这些机制并通过训练这些模型，建立一个可靠的框架，结合ML和AI能够从传统的脂质体生产方法过渡到微流体技术，这种能力可以简化脂质体药物递送系统的开发，减少对经验方法的依赖，图5所示为ML模型的开发，基于模型解释和实验室验证的测试模型选择^［19］.

Rouco等^［20］利用AI工具优化LNP的配方，成功开发出粒径小、多分散性低、药物载荷高的稳定LNP，并验证了其在储存后的性能，为纳米技术的配方优化提供了新的方法.Kumari等^［21］通过AI优化LNP，显著提升阿莫西林对幽门螺杆菌的递送效率和抗菌效果，并采用响应曲面（Box-Behnken）设计优化配方，使LNP粒径、多分散指数（polydispersity index， PDI）和zeta电位达到理想范围，包封效率高达100%.优化后的LNP在模拟生理条件下表现出良好的药物释放和稳定性，为新型抗菌纳米递送系统开发提供了重要参考.Suriyaamporn等^［22］使用AI通过实验设计开发了载孕酮固体脂质纳米颗粒（PG-SLNs），用于透皮给药，如图6所示，将粒径（particle size， PS）、PDI、zeta电位和计算药物负载百分比（drug loading capacity， DLC）用作输出因子，创建了ANN架构的模式识别模型，分别创建了具有5个和2个神经元的两个隐藏层，并报告了预测模型准确性的均方根误差（root mean square error， RMSE），DLC和RMSE计算公式如下：

C_DL（%）=\frac{m(\mathrm{P}\mathrm{G}){}_{\mathrm{e}}}{m(\mathrm{P}\mathrm{G}){}_{\mathrm{i}}}\times \mathrm{100}，（1）

E_RMS=\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^n}\frac{(X_i{-\overline{X})}^{\mathrm{2}}}{N}}，（2）

其中，m(\mathrm{P}\mathrm{G}){}_{\mathrm{e}}表示包封于脂质体内的孕酮量，m(\mathrm{P}\mathrm{G}){}_{\mathrm{i}}孕酮投入初始总量.

利用此模型发现硬脂酸浓度对PG-SLNs的PS、PDI、ZP和药物载荷有显著影响，通过ANN模型优化配方，预测精度高于响应面分析法（response surface methodology， RSM）.AI辅助脂质体设计在加速筛选和优化方面展现出巨大潜力，其应用方面也较多^［23-27］，但仍面临一些不足，数据集规模有限，难以涵盖复杂的脂质结构和多样的mRNA序列，限制了模型的泛化能力.此外，AI模型的可解释性不足，难以完全揭示脂质结构与功能之间的复杂关系.随着高通量实验技术的发展和数据量的增加，AI有望进一步提升脂质纳米颗粒的设计效率和精准性.

1.3 AI赋能聚合物载体的设计

应用于药物载体的聚合物载体可以分为：聚合物粒子、胶束等，其在尺寸、循环时间、稳定性、结构分解、包封率方面比非混合药物具有优势，最近还提出了聚合物纳米粒与人工智能在癌症靶向治疗中的融合应用^［28］.AI在聚合物载体设计中的应用已经有了较为可靠的平台，其中水性聚合诱导自组装（polymerization-induced self-assembly， PISA）是一种高度精确和合理的方法，可以控制聚合物链的尺寸和纳米粒子的尺寸和形态，通过一系列多目标优化算法，以提供行为的多样性，包括汤普森采样高效多目标优化（Thomson sampling efficient multi-objective optimization， TSEMO）、径向基函数神经网络/参考向量进化算法（radial basis function network/reference vector evolution algorithm， RBFNN/RVEA）和与进化算法混合的多目标粒子群优化（evolutionary algorithms-multiobjective particle swarm optimization， EA-MOPSO），该平台使用一系列基于云的机器学习算法，通过PISA对粒子合成进行自主多目标自优化（图7）^［29］.

1.3.1 AI赋能聚合物粒子

聚合物微粒能够包裹多种药物，控制释放速率，克服生理屏障（如血脑屏障），并减少对正常细胞的毒性，在生物医学应用中发挥着重要作用.Damiati等^［30-31］采用3D流聚焦微流控芯片生成微粒，并利用ANN预测微粒尺寸（图8）.优化后的聚乳酸-羟基乙酸共聚物［poly（L-lactide-co-glycolide），PLGA］微粒具有良好的单分散性，平均粒径为45.35 µm，药物包封率和载药量分别为62.35%和7.79%，且在9 d内实现了约80%的药物缓释.Hathout等^［32］利用高斯过程模拟药物与PLGA纳米颗粒的相互作用，通过计算药物的理化性质和电子描述符，结合分子对接实验和机器学习技术，成功预测了药物在PLGA纳米颗粒中的结合能.发现高斯过程能够准确预测药物与PLGA纳米颗粒的相互作用，预测偏差仅为（12.68 ± 2.1）%，为药物递送系统的设计提供了新的工具，节省了大量实验资源和时间.

1.3.2 AI赋能胶束

胶束是具有纳米尺寸的聚合物颗粒，通过其增强渗透与滞留效应（enhanced permeability and retention， EPR）促进其在人体组织中的被动靶向^［33］.Kehrein等^［34］先通过全原子分子动力学模拟，研究了基于聚2-噁唑啉和聚2-噁嗪的两亲性三嵌段共聚物胶束对姜黄素的超高负载特性，并通过ML方法对小模型系统中的单体进行聚类分析，进一步揭示了不同胶束区域的聚合物-药物相互作用差异.随后Kehrein课题组继续利用ML开发了预测聚合物胶束药物负载量的模型，整合了大量实验数据并建立了预测工具POxload^［35］.该工具通过多种描述符成功预测了药物负载效率和容量，准确率高达0.8，并通过虚拟筛选发现了新的潜在药物候选（图9）.

AI辅助聚合物颗粒的设计，显示出开发更安全，更有效的治疗方法前景，包括靶向药物递送，刺激响应药物释放和组合药物的共同递送.这些能力可以为创造新的药物治疗方法，当然其在治疗中的应用仍处于起步阶段，需要确保聚合物纳米载体的安全性和生物相容性，解决监管问题，并通过严格的研究和试验验证临床疗效.

1.4 AI赋能无机纳米载体的设计

新型无机纳米材料载体主要分为：金纳米颗粒、磁性纳米材料和碳纳米材料等无机纳米载体.这些纳米载体通过结构调控和表面修饰，提高了药物负载能力、靶向性、组织穿透能力和血液循环时间，为癌症的精准治疗提供了新的策略^［36］.基于此，Jyakhwo等^［37］开发了一种基于ML和遗传算法（GA）的高通量筛选方法，用于发现具有选择性细胞毒性的无机纳米粒子（图10）.该方法通过优化的模型预测NPs的细胞毒性，并成功筛选出对肝癌细胞具有显著选择性毒性的纳米粒子，为癌症治疗提供了新的靶向策略，并为后续开发无机纳米粒子载体提供了一个靶向选择性的平台.

1.4.1 AI赋能金纳米颗粒

金纳米颗粒（AuNPs）的合成方法正在不断被优化，绿色合成法因其环保、生物相容性高而备受关注^［38］，并且在癌症免疫治疗中的应用也取得突破性进展，如增强免疫细胞活性、诱导免疫原性细胞死亡等，但其体内安全性、生物分布和免疫反应仍需深入研究，以推动其临床转化^［39］.Yan等^［40］基于几何结构和电负性的通用纳米描述符，利用AI并结合RF和K最近邻（K-nearest neighbor， KNN）算法，对191种具有不同生物活性和理化性质的金纳米颗粒（AuNPs）进行建模（图11）.结果表明，该方法对AuNPs的酶结合能力、细胞摄取潜力、活性氧（reactive oxygen species， ROS）生成水平、疏水性（logP值）和zeta电位等性质具有较高的预测能力.Alexereea等^［41］提出了一种结合生物斑点成像和激光诱导击穿光谱（laser-induced breakdown spectroscopy， LIBS）技术以及人工智能的方法，用于监测酞菁-金纳米偶联物（Pc-Au NCs）作为体内光动力治疗（photodynamic therapy， PDT）的新药物递送介质.通过非接触式生物斑点成像技术可视化生物组织对PDT治疗的内部动态变化，并利用LIBS技术检测金纳米颗粒在正常和癌组织中的积累，验证了Pc-Au NCs的细胞毒性和治疗效果，在这项研究中，ML应用了贝叶斯优化（Bayesian optimization， BO）进行参数调整.

1.4.2 AI赋能磁性纳米载体

磁性铁氧化物纳米颗粒（magnetic iron oxide nanoparticles， MIONPs）因其低毒性、生物相容性和可降解性被FDA批准用于临床，但其性能仍有待进一步优化，可以通过人工智能辅助设计可以显著提升MIONPs的磁性能和生物安全性^［42-44］.Hadjianfar等^［45］开发了一种基于PCL/壳聚糖/Fe₃O₄核壳纳米纤维的多模式抗癌系统，负载5-氟尿嘧啶（5-FU）用于化疗和磁热疗.通过静电纺丝制备核壳纳米纤维，并利用ANN和GA（genetic algorithm）优化结构，筛选出了最佳神经网络结构.实验结果表明，纳米纤维直径为300~450 nm，药物负载效率为65%~86%，在交变磁场下可升温4.8 ℃~5.6 ℃，展现出良好的磁热性能（图12）.

1.4.3 AI赋能碳基纳米材料

碳基纳米材料石墨烯、碳纳米管等凭借其独特的物理化学性质，如高比表面积、优异的力学性能、良好的生物相容性等用于药物递送载体.通过表面修饰实现靶向治疗，在药物/基因递送、光热治疗等方面取得进展^［46-47］.Mehrizad等^［48］开发了一种由钙铁酸盐和多壁碳纳米管组成的新型磁性pH响应型复合载体（carbon fiber - multiwall carbon nanotubes， CFMWCNTs），用于甲硝唑（metronidazole， MET）的快速负载和延长释放，并通过RSM优化和ANN建模，实现了98.21%的药物负载效率.

AI技术与材料科学、生物医学和纳米技术的结合日益紧密^［49-51］，推动了药物载体设计的创新，包括一些多学科的应用如AI在3D和4D打印技术中的应用^［52-53］，能够进一步提高设计效率和实现个性化医疗等.但是在药物载体设计方面：数据质量和数量的限制、模型的复杂性和可解释性的问题以及算法选择和优化的复杂性都是两学科融合中的难点.

2 AI赋能药物制剂与释放

药物释放是一个涉及药物制剂的概念，其核心侧重于药物从剂型中释放到体内的过程.药物制剂主要通过添加辅料、优化成分等方式提升药物性能，如栓剂通过添加黄芪多糖改善醋氯芬酸（aceclofenac）的药物释放特性^［54］.AI辅助药物制剂设计正成为药物开发的重要工具^［55-57］，生成式AI还可从图像生成药物产品的数字版本^［58］，用于虚拟优化和风险评估，利用ML和AI来估计物理化学性质，从而产生独特的、经常观察到的溶出、吸收、分布等性质以指导制剂开发^［59］，如图13.

2.1 AI赋能药物制剂

药物制剂往往依靠有限的个人经验对不同的配方策略进行试错测试，这种低效率的筛选方式不仅浪费了研究投资，而且威胁到临床志愿者和患者的安全，基于此Wang等^［60］开发了Formulation DT平台，这是第一个数据驱动和知识指导的AI平台，用于合理的配方策略设计，该平台有望在药物发现和开发的整个生命周期内降低风险并提高效率.Dawoud等^［61］利用“质量源于设计”（quality by design， QbD）方法结合AI，成功开发了载药姜黄素的卵磷脂壳聚糖纳米颗粒（L/CH NPs），用于治疗肝细胞癌.AI模型成功预测了药物释放率，优化配方在体外展现出增强的细胞毒性，IC₅₀值显著降低，并优化了纳米颗粒的处方和工艺参数，实现了粒径161 nm、多分散指数0.2和包封效率97%的最优配方.Bagde等^［62］使用数字光处理（digital light processing， DLP）打印技术和QbD辅助以AI算法制造用于递送亲脂性活性成分（active pharmaceutical ingredient， API）的微针（图14），成功制备了高度约750 μm、基底直径约250 μm、尖端曲率半径约15 μm的可溶解微针贴剂，这种3D打印微针贴剂能够实现脂溶性药物的快速吸收和持续释放，为透皮给药提供了一种新的策略.

2.2 AI赋能药物释放

AI技术有可能彻底改变药物释放建模，优化个性化药物治疗，并最大限度地减少副作用，通过应用AI算法，研究人员可以预测药物释放曲线，结合患者特定因素，并优化剂量方案，以实现量身定制的有效治疗^［63］.Han等^［64］开发了DL模型来预测速释（immediate release， IR）口服片剂的崩解时限（秒），为了训练这些DL模型，作者使用数值来描述API和辅料的理化性质以及配方中每种成分的相对含量，此研究中表现最好的DL模型预测了试验集中制剂的崩解时限，准确度为80%（图15a）.Boztepe等^［65］开发了一种pH和温度响应型水凝胶，并利用ANN对其阿霉素（doxorubicin， DOX）释放行为进行建模，结果显示ANN模型在预测DOX释放行为方面具有较高的准确性和可靠性（图15b）.Zhang等^［66］利用聚离子胶束显微镜（scanning electron microscope - focused ion beam， FIB-SEM）和基于图像的释放预测技术对PLGA控释微球进行表征，通过人工智能图像分析量化药物颗粒和孔隙的尺寸分布，并在数天内预测药物释放曲线，揭示了孔隙率对药物释放的影响，为控释药物产品的性能表征提供了一种高效、高分辨率的替代手段.

3 AI赋能药代动力学

AI被用于预测药物的人体药代动力学参数，如血浆清除率（plasma clearance， CL）和表观分布容积（apparent volume of distribution， Vd），通过整合非临床数据和化学结构信息，提高预测准确性，并且深入理解药物在体内的吸收、分布、代谢和排泄过程^［67-70］.借助AI和大数据技术，则可以实现通过分析生物数据助力药物发现、优化研发流程、预测药代动力学和毒性，推动药物的发展^［71］.

Chou等^［72］开发了一种AI辅助的基于生理学的药代动力学（artificial intelligence - physiology based pharmacokinetic，AI-PBPK）模型，用于预测纳米颗粒在小鼠肿瘤中的递送效率（图16）.该模型通过机器学习和深度学习算法预测关键药代动力学参数，并将其整合到PBPK模型中，结果显示，模型能够基于纳米颗粒的理化性质高效预测24 h递送效率（24 h delivery efficiency， DE₂₄）和最大递送效率（maximum delivery efficiency， DE_max），预测结果与实验数据高度一致（R²≥0.70）.Houy等^［73］利用人工智能技术为替莫唑胺治疗脑癌患者计算最优个性化给药方案，基于药代动力学/药效学（pharmacokinetic/pharmacodynamic， PK/PD）模型，通过贝叶斯推断动态更新患者药代参数，优化目标是在维持可接受毒性水平的同时最小化肿瘤体积.结果显示，与标准最大耐受剂量（maximal tolerable dose， MTD）方案相比，个性化方案使肿瘤平均减轻67.2 g，严重毒性发生率降低.Destere等^［74］开发了一种结合群体药代动力学（population pharmacokinetics， POPPK）、最大后验-贝叶斯估计（maximum a posteriori estimation-Bayesian estimation，MAP-BE）和ML的混合算法，用于预测艾沙康唑（Isavuconazole）的清除率，通过模拟1 727个PK曲线，研究发现混合算法显著降低了预测误差和不精确性（误差降低95.8%，不精确性降低69.5%），并改善了基于单一样本的暴露预测.

上述模型均基于模拟数据或特定人群（如移植患者），可能无法覆盖真实世界的多样性，如应用于未参与训练的人群，可能导致预测偏差，例如低估清除率、算法偏差导致剂量错误等；并且研究依赖模拟或回顾性数据，缺乏真实患者的前瞻性验证，需多中心临床试验证明AI模型在真实场景中的鲁棒性，虽未深入讨论伦理与监管，但其技术局限性已隐含相关挑战.AI能够处理大规模数据，快速识别化合物与药代动力学参数之间的复杂关系，从而显著提高预测效率和准确性，但AI模型的“黑箱”特性导致其决策过程难以解释，这在药代动力学中可能影响模型的可信度和可接受性，未来需通过多样化数据、可解释性技术和动态监管框架，平衡创新与安全性.

4 结论与展望

本文系统总结了AI在药物递送系统中的应用现状，揭示了AI在药物载体设计、药物制剂与释放优化以及药代动力学预测中的显著潜力.AI通过机器学习算法处理复杂数据，不仅加速了药物载体的开发，还显著提升了设计效率和精准性.AI在多种药物载体（如水凝胶、脂质体、聚合物纳米载体和无机纳米载体）的设计中展现出巨大优势，能够优化材料性能、提高药物负载能力和靶向性，并且已经通过AI辅助PLGA微粒的设计已达到药物缓释的目的.此外，AI在药物制剂和药代动力学研究中的应用，为个性化医疗提供了新的工具和思路（图17）.

然而，AI在药物递送系统中的应用仍面临诸多挑战.数据质量和数量的限制、模型的可解释性不足以及算法优化的复杂性，是当前亟待解决的问题.未来的研究需要在以下三个方面取得突破：一是进一步扩展高质量的数据集，以提高模型的泛化能力和预测精度；二是优化AI模型结构，提升模型的可解释性和透明度；三是加强实验验证，确保AI技术在实际应用中的可靠性和安全性.随着AI与纳米技术、材料科学和生物医学的深度融合，药物递送系统的设计将更加精准和高效，为患者带来更安全、更有效的治疗体验.

参考文献

[1] JAIN K K. An overview of drug delivery systems［J］. Methods in Molecular Biology， 2020， 2059： 1-54.

[2] AALTONEN P， KURVINEN E. Introduction to the concepts： the past， present， and future of AI［M］//AALTONEN P， KURVINEN E. Contemporary issues in industry 5.0. Cham： Palgrave Macmillan， 2025： 3-28.

[3] PANG G S， SHEN C H， CAO L B， et al. Deep learning for anomaly detection： a review［J］. ACM Computing Surveys， 2022， 54（2）： 1-38.

[4] LÓPEZ-MONROY A P， GARCÍA-SALINAS J S. Neural networks and deep learning［M］//TORRES-GARCÍA A A， REYES-GARCÍA C A， VILLASEÑOR-PINEDA L， et al. Biosignal processing and classification using computational learning and intelligence： principles， algorithms and applications. Pittsburgh： Academic Press， 2022.

[5] SEROV N， VINOGRADOV V. Artificial intelligence to bring nanomedicine to life［J/OL］. Advanced Drug Delivery Reviews， 2022， 184［2025-07-15］

[6] HO D， WANG P， KEE T. Artificial intelligence in nanomedicine［J］. Nanoscale Horizons， 2019， 4（2）： 365-377.

[7] ZHAO F， WANG J T， ZHANG Y， et al. In vivo fate of targeted drug delivery carriers［J］. International Journal of Nanomedicine， 2024， 19： 6895-6929.

[8] XIANG J， ZHAO R， WANG B， et al. Advanced nano-carriers for anti-tumor drug loading［J/OL］. Frontiers in Oncology， 2021， 11［2025-07-15］

[9] SAGDIC K， EŞ I， SITTI M， et al. Smart materials： rational design in biosystems via artificial intelligence［J］. Trends in Biotechnology， 2022， 40（8）： 987-1003.

[10] SUN L M， LIU H M， YE Y Q， et al. Smart nanoparticles for cancer therapy［J/OL］. Signal Transduction and Targeted Therapy， 2023， 8［2025-07-15］.

[11] 张民权， 龚铭城， 陈泽锴， 等. 人工智能与分子模拟在药物设计中的研究进展［J］. 医药导报， 2024， 43（1）： 78-84.

[12] ZHANG M Q， GONG M C， CHEN Z K， et al. Research progress of artificial intelligence and molecular simulation in drug design［J］. Herald of Medicine， 2024， 43（1）： 78-84. （Ch）.

[13] VERMONDEN T， KLUMPERMAN B. The past， present and future of hydrogels［J］. European Polymer Journal， 2015， 72： 341-343.

[14] NEGUT I， BITA B. Exploring the potential of artificial intelligence for hydrogel development：a short review［J/OL］. Gels， 2023， 9（11） ［2025-07-15］.

[15] OWH C， HO D， LOH X J， et al. Towards machine learning for hydrogel drug delivery systems［J］. Trends in Biotechnology， 2023， 41（4）： 476-479.

[16] LI Z H， SONG P R， LI G F， et al. AI energized hydrogel design， optimization and application in biomedicine［J/OL］. Materials Today Bio， 2024， 25［2025-07-15］.

[17] WANG L R， ZHOU M Y， XU T L， et al. Multifunctional hydrogel as wound dressing for intelligent wound monitoring［J/OL］. Chemical Engineering Journal， 2022， 433［2025-07-15］.

[18] SHOKROLLAHI Y， DONG P F， GAMAGE P T， et al. Finite element-based machine learning model for predicting the mechanical properties of composite hydrogels［J/OL］. Applied Sciences， 2022， 12（21）［2025-07-15］.

[19] HALD ALBERTSEN C， KULKARNI J A， WITZIGMANN D， et al. The role of lipid components in lipid nanoparticles for vaccines and gene therapy［J/OL］. Advanced Drug Delivery Reviews， 2022， 188［2025-07-15］.

[20] EUGSTER R， ORSI M， BUTTITTA G， et al. Leveraging machine learning to streamline the development of liposomal drug delivery systems［J］. Journal of Controlled Release， 2024， 376： 1025-1038.

[21] ROUCO H， DIAZ-RODRIGUEZ P， RAMA-MOLINOS S， et al. Delimiting the knowledge space and the design space of nanostructured lipid carriers through artificial intelligence tools［J］. International Journal of Pharmaceutics， 2018， 553（1-2）： 522-530.

[22] KUMARI K， SINGH H R， SAMPATH M K. Enhanced amoxicillin delivery via artificial intelligence （AI）-based optimized lipid nanoparticles for Helicobacter pylori ［J］. Biologia， 2025， 80（1）： 133-148.

[23] SURIYAAMPORN P， PAMORNPATHOMKUL B， WONGPRAYOON P， et al. The artificial intelligence and design of experiment assisted in the development of progesterone-loaded solid-lipid nanoparticles for transdermal drug delivery［J］. Pharmacia， 2024， 71： 1-12.

[24] WANG W， CHEN K P， JIANG T， et al. Artificial intelligence-driven rational design of ionizable lipids for mRNA delivery［J/OL］. Nature Communications， 2024， 15［2025-07-15］.

[25] GHOLAP A D， UDDIN M J， FAIYAZUDDIN M， et al. Advances in artificial intelligence for drug delivery and development： a comprehensive review［J/OL］. Computers in Biology and Medicine， 2024， 178［2025-07-15］.

[26] FATHI F， EBRAHIMI S N， PRIOR J A V， et al. Formulation of nano/micro-carriers loaded with an enriched extract of coffee silverskin： physicochemical properties， in vitro release mechanism and in silico molecular modeling［J/OL］. Pharmaceutics， 2022， 14（1） ［2025-07-15］.

[27] AMASYA G， OZTURK C， AKSU B， et al. QbD based formulation optimization of semi-solid lipid nanoparticles as nano-cosmeceuticals［J/OL］. Journal of Drug Delivery Science and Technology， 2021， 66［2025-07-15］.

[28] DORSEY P J， LAU C L， CHANG T C， et al. Review of machine learning for lipid nanoparticle formulation and process development［J］. Journal of Pharmaceutical Sciences， 2024， 113（12）： 3413-3433.

[29] DAS K P， CHANDRA J. Nanoparticles and convergence of artificial intelligence for targeted drug delivery for cancer therapy： current progress and challenges［J/OL］. Frontiers in Medical Technology， 2022， 4［2025-07-15］.

[30] KNOX S T， WU K E， ISLAM N， et al. Self-driving laboratory platform for many-objective self-optimisation of polymer nanoparticle synthesis with cloud-integrated machine learning and orthogonal online analytics［J］. Polymer Chemistry， 2025， 16（12）： 1355-1364.

[31] DAMIATI S A， ROSSI D， JOENSSON H N， et al. Artificial intelligence application for rapid fabrication of size-tunable PLGA microparticles in microfluidics［J/OL］. Scientific Reports， 2020， 10［2025-07-15］.

[32] DAMIATI S A， DAMIATI S. Microfluidic synthesis of indomethacin-loaded PLGA microparticles optimized by machine learning［J/OL］. Frontiers in Molecular Biosciences， 2021， 8［2025-07-15］.

[33] HATHOUT R M， MAHMOUD O A， ALI D S， et al. Modeling drugs-PLGA nanoparticles interactions using Gaussian processes： Pharmaceutics informatics approach［J］. Journal of Cluster Science， 2022， 33（5）： 2031-2036.

[34] ZHENG Y T， OZ Y， GU Y M， et al. Rational design of polymeric micelles for targeted therapeutic delivery［J/OL］. Nano Today， 2024， 55［2025-07-15］.

[35] KEHREIN J， GÜRSÖZ E， DAVIES M， et al. Unravel the tangle： Atomistic insight into ultrahigh curcumin-loaded polymer micelles［J/OL］. Small， 2023， 19（44） ［2025-07-15］.

[36] KEHREIN J， BUNKER A， LUXENHOFER R. POxload： Machine learning estimates drug loadings of polymeric micelles［J］. Molecular Pharmaceutics， 2024， 21（7）： 3356-3374.

[37] XU J S， LIAO K L， JIANG H X， et al. Research progress of novel inorganic nanometre materials carriers in nanomedicine for cancer diagnosis and treatment［J］. Artificial Cells， Nanomedicine， and Biotechnology， 2018， 46（sup3）： 492-502.

[38] JYAKHWO S， SEROV N， DMITRENKO A， et al. Machine learning reinforced genetic algorithm for massive targeted discovery of selectively cytotoxic inorganic nanoparticles［J/OL］. Small， 2024， 20（6）［2025-07-15］.

[39] AMINA S J， GUO B. A review on the synthesis and functionalization of gold nanoparticles as a drug delivery vehicle［J］. International Journal of Nanomedicine， 2020， 15： 9823-9857.

[40] HUANG H Q， LIU R H， YANG J， et al. Gold nanoparticles： construction for drug delivery and application in cancer immunotherapy［J/OL］. Pharmaceutics， 2023， 15（7）［2025-07-15］.

[41] YAN X L， SEDYKH A， WANG W Y， et al. In silico profiling nanoparticles： predictive nanomodeling using universal nanodescriptors and various machine learning approaches［J］. Nanoscale， 2019， 11（17）： 8352-8362.

[42] ALEXEREE S M I， YOUSSEF D， ABDEL-HARITH M. Using biospeckle and LIBS techniques with artificial intelligence to monitor phthalocyanine-gold nanoconjugates as a new drug delivery mediator for in vivo PDT［J/OL］. Journal of Photochemistry and Photobiology A： Chemistry， 2023， 440［2025-07-15］.

[43] GU N， ZHANG Z H， LI Y. Adaptive iron-based magnetic nanomaterials of high performance for biomedical applications［J］. Nano Research， 2022， 15（1）： 1-17.

[44] GOVINDAN B， SABRI M A， HAI A， et al. A review of advanced multifunctional magnetic nanostructures for cancer diagnosis and therapy integrated into an artificial intelligence approach［J/OL］. Pharmaceutics， 2023， 15（3）［2025-07-15］.

[45] TOMITAKA A， VASHIST A， KOLISHETTI N， et al. Machine learning assisted-nanomedicine using magnetic nanoparticles for central nervous system diseases［J］. Nanoscale Advances， 2023， 5（17）： 4354-4367.

[46] HADJIANFAR M， SEMNANI D， VARSHOSAZ J， et al. 5FU-loaded PCL/chitosan/Fe（3）O（4） core-shell nanofibers structure： An approach to multi-mode anticancer system［J］. Advanced Pharmaceutical Bulletin， 2022， 12（3）： 568-582.

[47] ZARE H， AHMADI S， GHASEMI A， et al. Carbon nanotubes： Smart drug/gene delivery carriers［J］. International Journal of Nanomedicine， 2021， 16： 1681-1706.

[48] JEONG W Y， CHOI H E， KIM K S. Graphene-based nanomaterials as drug delivery carriers［M］//HAN D W， HONG S W. Multifaceted Biomedical Applications of Graphene. Singapore： Springer Singapore， 2022： ： 109-124.

[49] MEHRIZAD A. Prompt loading and prolonged release of metronidazole by calcium ferrite-carbon nanotubes carrier： optimization and modeling of the process by RSM and ANN［J/OL］. Diamond and Related Materials， 2023， 135 ［2025-07-15］.

[50] EGOROV E， PIETERS C， KORACH-RECHTMAN H， et al. Robotics， microfluidics， nanotechnology and AI in the synthesis and evaluation of liposomes and polymeric drug delivery systems［J］. Drug Delivery and Translational Research， 2021， 11（2）： 345-352.

[51] VILLASEÑOR-CAVAZOS F J， TORRES-

[52] VALLADARES D， LOZANO O. Modeling and optimization of nanovector drug delivery systems： exploring the most efficient algorithms［J］. Journal of Nanoparticle Research， 2022， 24（6）： 119.

[53] ZHANG C Y， YUAN Y C， XIA Q， et al. Machine learning-driven prediction， preparation， and evaluation of functional nanomedicines via drug-drug self-assembly［J/OL］. Advanced Science， 2025， 12（9）［2025-07-15］.

[54] ELBADAWI M， MCCOUBREY L E， GAVINS F K H， et al. Harnessing artificial intelligence for the next generation of 3D printed medicines［J/OL］. Advanced Drug Delivery Reviews， 2021， 175［2025-07-15］.

[55] PUGLIESE R， REGONDI S. Artificial intelligence-empowered 3D and 4D printing technologies toward smarter biomedical materials and approaches［J/OL］. Polymers， 2022， 14（14）［2025-07-15］.

[56] LIU G Q， DONG L L， LU K， et al. Preparation and in vivo pharmacokinetics of the Tongshu suppository［J/OL］. BioMed Research International， 2016， 2016（1）［2025-07-15］.

[57] BOLGER M B. Perspective on a chemistry classification system for AI-assisted formulation development［J］. Journal of Controlled Release， 2022， 352： 833-839.

[58] NOORAIN， SRIVASTAVA V， PARVEEN B， et al. Artificial intelligence in drug formulation and development： Applications and future prospects［J］. Current Drug Metabolism， 2023， 24（9）： 622-634.

[59] BANNIGAN P， HICKMAN R J， ASPURU-GUZIK A， et al. The dawn of a new pharmaceutical epoch： can AI and robotics reshape drug formulation？［J/OL］. Advanced Healthcare Materials， 2024， 13（29）［2025-07-15］.

[60] HORNICK T， MAO C， KOYNOV A， et al. In silico formulation optimization and particle engineering of pharmaceutical products using a generative artificial intelligence structure synthesis method［J/OL］. Nature Communications， 2024， 15［2025-07-15］.

[61] BANNIGAN P， ALDEGHI M， BAO Z Q， et al. Machine learning directed drug formulation development［J/OL］. Advanced Drug Delivery Reviews， 2021， 175［2025-07-15］.

[62] WANG N N， DONG J， OUYANG D F. AI-directed formulation strategy design initiates rational drug development［J］. Journal of Controlled Release， 2025， 378： 619-636.

[63] DAWOUD M H S， MANNAA I S， ABDEL-DAIM A， et al. Integrating artificial intelligence with quality by design in the formulation of lecithin/chitosan nanoparticles of a poorly water-soluble drug［J/OL］. AAPS PharmSciTech， 2023， 24（6）［2025-07-15］.

[64] BAGDE A， DEV S， SRIRAM L M K， et al. Biphasic burst and sustained transdermal delivery in vivo using an AI-optimized 3D-printed MN patch［J/OL］. International Journal of Pharmaceutics， 2023， 636［2025-07-15］.

[65] VIDHYA K S， SULTANA A， NAVEEN KUMAR M， et al. Artificial intelligence’s impact on drug discovery and development from bench to bedside［J/OL］. Cureus， 2023， 15（10）［2025-07-15］.

[66] HAN R， YANG Y L， LI X S， et al. Predicting oral disintegrating tablet formulations by neural network techniques［J］. Asian Journal of Pharmaceutical Sciences， 2018， 13（4）： 336-342.

[67] BOZTEPE C， KÜNKÜL A， YÜCEER M. Application of artificial intelligence in modeling of the doxorubicin release behavior of pH and temperature responsive poly（NIPAAm-co-AAc）-PEG IPN hydrogel［J/OL］. Journal of Drug Delivery Science and Technology， 2020， 57［2025-07-15］.

[68] ZHANG S， WU D， ZHOU L P. Characterization of controlled release microspheres using FIB-SEM and image-based release prediction［J］. AAPS PharmSciTech， 2020， 21（5）： 194.

[69] WANG X Y， BURGESS D J. Drug release from in situ forming implants and advances in release testing［J/OL］. Advanced Drug Delivery Reviews， 2021， 178［2025-07-15］.

[70] YUAN L， CHEN Q R， RIVIERE J E， et al. Pharmacokinetics and tumor delivery of nanoparticles［J/OL］. Journal of Drug Delivery Science and Technology， 2023， 83［2025-07-15］.

[71] IWATA H. Application of in silico technologies for drug target discovery and pharmacokinetic analysis［J］. Chemical & Pharmaceutical Bulletin， 2023， 71（6）： 398-405.

[72] OZBEK O， GENC D E， ULGEN KO. Advances in physiologically based pharmacokinetic （PBPK） modeling of nanomaterials［J］. ACS Pharmacology & Translational Science， 2024， 7（8）： 2251-2279.

[73] VORA L K， GHOLAP A D， JETHA K， et al. Artificial intelligence in pharmaceutical technology and drug delivery design［J/OL］. Pharmaceutics， 2023， 15（7）［2025-07-15］.

[74] CHOU W C， CHEN Q R， YUAN L， et al. An artificial intelligence-assisted physiologically-based pharmacokinetic model to predict nanoparticle delivery to tumors in mice［J］. Journal of Controlled Release， 2023， 361： 53-63.

[75] HOUY N， LE GRAND F. Personalized oncology with artificial intelligence： The case of temozolomide［J/OL］. Artificial Intelligence in Medicine， 2019， 99［2025-07-15］.

[76] DESTERE A， MARQUET P， LABRIFFE M， et al. A hybrid algorithm combining population pharmacokinetic and machine learning for isavuconazole exposure prediction［J］. Pharmaceutical Research， 2023， 40（4）： 951-959.

基金资助

武汉市知识产权发展资金项目(g202512)