Modelowanie procesu elektroprzędzenia z zastosowaniem narzędzi sztucznej inteligencji

Elektroprzędzenie jest procesem, w którym przy zastosowaniu wysokiego napięcia wytwarza się mikro- i nanowłókna. Obecnie, poszukiwanie ustawień i składu surowca wyjściowego odbywa się głównie metodą prób i błędów, co wymaga poświęcenia znacznej ilości czasu i środków. Produkty elektroprzędzenia mogą zostać potencjalnie wykorzystane w nowoczesnych formach leku. Możliwości narzędzi takich jak sztuczna inteligencja usprawniają procesy farmaceutyczne - AI pozwala nie tylko na redukcję kosztów i czasu trwania prac rozwojowych, ale również dostarcza dodatkowej wiedzy na temat procesu, co jest zgodne z ostatnimi wytycznymi wprowadzonymi przez regulatorów. Ogólnym celem pracy było opracowanie modelu AI, który przewidywałby obecność włókien po przeprowadzeniu procesu elektroprzędzenia. W wyniku wyczerpującej analizy piśmiennictwa uzyskano bazę danych zawierającą 158 rekordów opisujących skład surowca i parametry procesu. Eksperymenty laboratoryjne wygenerowały 24 dodatkowe rekordy danych. Modele predykcyjne opracowano zarówno metodą manualną, jak i automatyczną. Najlepszy model charakteryzował się wartością F1 wynoszącą 0,91 w procedurze 10-krotnej walidacji krzyżowej i wartością F1 wynosząca 0,29 w przypadku bazy eksperymentalnej. Analiza SHAP pozwoliła ustalić, w jaki sposób generowane są predykcje modelu oraz jaki jest wpływ zmiennych wejściowych na wynik modelu. Uzyskane wyniki stanowią punkt wyjścia do dalszego rozwoju modelu.

Electrospinning is a process that produces micro- and nanofibers using high voltage potential. To this day, search for the settings and feedstock composition is mostly done by trial-and-error method which requires spending significant time and resources. Electrospun produce can potentially be used in novel dosage forms, and capabilities of tools like artificial intelligence were shown to improve pharmaceutical sciences. AI allows not only for reduction of resources and duration of the processes, but also provides additional knowledge and process understanding that is in line with recent guidelines delivered by regulators. The general goal of the study was to develop an AI model that would predict the presence of fibers after conducting the electrospinning process. Extensive literature search resulted in a database containing 158 records describing feedstock composition and process parameters. Laboratory experiments generated 24 additional records. Predictive models were developed both by manual and automatic approaches. The best model was characterized by F1-score of 0.91 in 10-fold cross-validation procedure and reached F1-score of 0.29 based on the experimental database. Shapley Additive exPlanations analysis unraveled how model predictions are generated and what is the impact of input variables on the model output. Obtained results are a starting point for further model development.