二次推断函数、多目标优化算法及XGBoost结合SHAP解释在缓控释制剂处方优化中的效果研究

摘要

目的 研究二次推断函数、多目标优化算法及极致梯度提升(extreme gradient boosting, XGBoost)结合沙普利增量解释(Shapley additive explanation, SHAP)在缓控释制剂处方优化中的效果，为缓控释制剂的处方优化提供切实可行的研究思路和方法。方法 对尼莫地平渗透泵胶囊的试验数据，先使用二次推断函数建模解决重复测量数据的相关性，再采用多目标遗传算法(multi-objective genetic algorithm, MOGA)、改进非劣分类遗传算法(non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)和向量评估遗传算法(vector evaluated genetic algorithm, VEGA)三种优化算法，以满足各时点累积释放度的要求，最后基于优化结果建立XGBoost模型并结合SHAP进行解释，确定最终的非劣方案，与原文的最优结果相比较。结果 基于可交换相关矩阵，对试验数据使用二次推断函数所建立的模型具有统计学意义(Q=4.000,P=0.998),且模型拟合效果较好，赤池信息准则(Akaike information criterion, AIC)结果为27.227,贝叶斯信息准则(Bayesian information criterion, BIC)结果为56.205。采用MOGA,NSGA-Ⅱ和VEGA优化目标函数，对优化结果建立XGBoost模型并结合SHAP进行解释所得6号、9号、33号、39号、44号等方案各时点累积释放度均优于原文最优，其中，33号方案的12小时累积释放度高达93.63%。结论 针对具有重复测量数据特征的缓控释制剂，采用二次推断函数建模，三种多目标算法进行优化，并对优化结果建立XGBoost模型结合SHAP进行解释所得效果满意，为研究者提供了客观，科学且合理的方案选择。

关键词

缓控释制剂 / 二次推断函数 / 多目标优化算法 / 处方优化 / 模型解释