普渡大学工程学院创建并验证的一项专利申请中的创新，有望在批次验证、包封效率筛选和法规遵从工作流程等方面加强制药研发能力。
机械工程教授阿雷祖·阿德卡尼(Arezoo Ardekani)和她的博士生凯乌尔·林(Kaeul Lim)利用高光谱成像(Hyperspectral Imaging, HSI)和机器学习(Machine Learning, ML)，开发了一种新型的无标记、非侵入性方法来表征纳米颗粒。
该方法能够对脂质体药物载体和脂质纳米颗粒进行稳健且可扩展的分类。
阿德卡尼表示："该方法在纳米颗粒配制和制造过程中提供实时、无损的质量控制。由于其非侵入性特点，它可以整合到工业高通量分析平台中。"
阿德卡尼指出，在最佳参数条件下，普渡大学方法对纳米颗粒类型的分类准确率接近99%。
阿德卡尼的研究发表在《国际药剂学杂志》(International Journal of Pharmaceutics)上。她已向普渡创新技术商业化办公室(Purdue Innovates Office of Technology Commercialization)披露了这项创新，该办公室已向美国专利商标局(United States Patent and Trademark Office)申请专利以保护知识产权。
传统分析方法面临的挑战
阿德卡尼表示，纳米级药物递送系统的无标记表征仍然是制药研究中的一个关键挑战。
"传统的分析方法要么劳动密集、通量低，要么需要标记，这可能会干扰纳米颗粒的功能，"她解释道。
普渡方法专注于提高高光谱成像数据中的图像质量。阿德卡尼表示，该方法的机器学习能力显著降低了分类复杂性并提高了整体准确性。
"传统上，高光谱成像在纳米颗粒分析中的应用受到限制，"她补充道。"数据经常因噪声和信息重叠而丢失。"
普渡方法的工作原理
脂质体制剂被沉积在预先清洁的玻璃显微镜载玻片上，无需进一步修改或染色即可进行成像。
"高光谱成像系统通过逐行空间扫描捕获样品的散射光谱，其中每个像素的信息代表该位置的光谱，"阿德卡尼解释道。"高光谱图像是通过连接到显微镜的增强暗场照明系统记录的。"
阿德卡尼表示，在图像预处理阶段之后，使用卷积神经网络进行分类。
"卷积层从高光谱数据中学习重要特征，"她说。"这些特征随后通过全连接层和输出层传递，以对纳米颗粒进行分类。"
更多信息：
Kaeul Lim等，使用高光谱成像和卷积神经网络对纳米级药物递送系统进行无标记分类，《国际药剂学杂志》(2025)。DOI: 10.1016/j.ijpharm.2025.126065
关键医学概念：脂质纳米颗粒(Lipid Nanoparticles)、机器学习(Machine Learning)
临床类别：临床药理学(Clinical Pharmacology)
由普渡大学(Purdue University)提供
【全文结束】