综述：基于人工智能（AI）的技术，结合定量结构-活性关系（QbD）方法，实现天然聚合物药物递送系统的预测性设计与可持续性开发

人工智能和机器学习在天然聚合物药物递送系统建模与优化中的应用研究，通过神经网络和贝叶斯优化模型实现包封效率和释放曲线的高精度预测，结合机理与AI的混合模型提升可解释性，并探讨数据生成流程、FAIR标准及聚合物数据库建设。

摘要

由于具有生物相容性、生物降解性和环境可持续性，天然聚合物（如壳聚糖、海藻酸盐、纤维素、明胶和丝素）已成为现代药物递送研究的核心。然而，来源、分子量和交联化学的差异往往导致配方性能不稳定且可扩展性有限。为克服这些挑战，人工智能（AI）和机器学习框架越来越多地被整合到基于“质量源于设计”（Quality by Design）理念的配方科学中。本文综述了AI辅助建模和优化天然聚合物药物递送系统的最新进展，强调了预测算法如何捕捉聚合物结构、工艺变量和释放动力学之间的非线性关系。神经网络和贝叶斯优化模型能够准确预测包封效率和溶解曲线；而混合机制-AI模型及基于物理的神经网络通过嵌入动力学和扩散方程提高了模型的可解释性。此外，本文还讨论了数据生成工作流程、符合FAIR标准的数据集以及支持互操作性和可重复性建模的聚合物信息学数据库。这些进展共同为数据驱动的可持续制药学发展铺平了道路，使基于预测和生态设计的配方取代了传统的试错方法。目前仍存在的挑战包括数据集标准化、模型透明度和法规验证。解决这些问题将加速智能聚合物设计向可复制、可扩展且环保的药物递送创新的转化。

图形摘要

由于具有生物相容性、生物降解性和环境可持续性，天然聚合物（如壳聚糖、海藻酸盐、纤维素、明胶和丝素）已成为现代药物递送研究的核心。然而，来源、分子量和交联化学的差异往往导致配方性能不稳定且可扩展性有限。为克服这些挑战，人工智能（AI）和机器学习框架越来越多地被整合到基于“质量源于设计”（Quality by Design）理念的配方科学中。本文综述了AI辅助建模和优化天然聚合物药物递送系统的最新进展，强调了预测算法如何捕捉聚合物结构、工艺变量和释放动力学之间的非线性关系。神经网络和贝叶斯优化模型能够准确预测包封效率和溶解曲线；而混合机制-AI模型及基于物理的神经网络通过嵌入动力学和扩散方程提高了模型的可解释性。此外，本文还讨论了数据生成工作流程、符合FAIR标准的数据集以及支持互操作性和可重复性建模的聚合物信息学数据库。这些进展共同为数据驱动的可持续制药学发展铺平了道路，使基于预测和生态设计的配方取代了传统的试错方法。目前仍存在的挑战包括数据集标准化、模型透明度和法规验证。解决这些问题将加速智能聚合物设计向可复制、可扩展且环保的药物递送创新的转化。

图形摘要