Emprego de redes neurais artificiais supervisionadas e não supervisionadas no estudo de parâmetros reológicos de excipientes farmacêuticos sólidos

In this paper artificial neural network (ANN) based on supervised and unsupervised algorithms were investigated for use in the study of rheological parameters of solid pharmaceutical excipients, in order to develop computational tools for manufacturing solid dosage forms. Among four supervised neural networks investigated, the best learning performance was achieved by a feedfoward multilayer perceptron whose architectures was composed by eight neurons in the input layer, sixteen neurons in the hidden layer and one neuron in the output layer. Learning and predictive performance relative to repose angle was poor while to Carr index and Hausner ratio (CI and HR, respectively) showed very good fitting capacity and learning, therefore HR and CI were considered suitable descriptors for the next stage of development of supervised ANNs. Clustering capacity was evaluated for five unsupervised strategies. Network based on purely unsupervised competitive strategies, classic "Winner-Take-All", "Frequency-Sensitive Competitive Learning" and "Rival-Penalize Competitive Learning" (WTA, FSCL and RPCL, respectively) were able to perform clustering from database, however this classification was very poor, showing severe classification errors by grouping data with conflicting properties into the same cluster or even the same neuron. On the other hand it could not be established what was the criteria adopted by the neural network for those clustering. Self-Organizing Maps (SOM) and Neural Gas (NG) networks showed better clustering capacity. Both have recognized the two major groupings of data corresponding to lactose (LAC) and cellulose (CEL). However, SOM showed some errors in classify data from minority excipients, magnesium stearate (EMG) , talc (TLC) and attapulgite (ATP). NG network in turn performed a very consistent classification of data and solve the misclassification of SOM, being the most appropriate network for classifying data of the study. The use of NG network in pharmaceutical technology was still unpublished. NG therefore has great potential for use in the development of software for use in automated classification systems of pharmaceutical powders and as a new tool for mining and clustering data in drug development

Neste trabalho foram estudadas redes neurais artificiais (RNAs) baseadas em algoritmos supervisionados e não supervisionados para emprego no estudo de parâmetros reológicos de excipientes farmacêuticos sólidos, visando desenvolver ferramentas computacionais para o desenvolvimento de formas farmacêuticas sólidas. Foram estudadas quatro redes neurais artificiais supervisionadas e cinco não supervisionadas. Todas as RNAs supervisionadas foram baseadas em arquitetura de rede perceptron multicamada alimentada à frente (feedfoward MLP). Das cinco RNAs não supervisionadas, três foram baseadas em estratégias puramente competitivas, "Winner-Take- All" clássica, "Frequency-Sensitive Competitive Learning" e "Rival-Penalize Competitive Learning" (WTA, FSCL e RPCL, respectivamente). As outras duas redes não supervisionadas, Self- Organizing Map e Neural Gas (SOM e NG) foram baseadas estratégias competitivo-cooperativas. O emprego da rede NG em tecnologia farmacêutica é ainda inédito e pretende-se avaliar seu potencial de emprego como nova ferramenta de mineração e classificação de dados no desenvolvimento de medicamentos. Entre os protótipos de RNAs supervisionadas o melhor desempenho foi conseguido com uma rede de arquitetura composta por 8 neurônios de entrada, 16 neurônios escondidos e 1 neurônio de saída. O aprendizado de rede e a capacidade preditiva em relação ao ângulo de repouso (α) foi deficiente, e muito boa para o índice de Carr e fator de Hausner (IC, FH). Por esse motivo IC e FH foram considerados bons descritores para uma próxima etapa de desenvolvimento das RNAs supervisionadas. As redes, WTA, RPCL e FSCL, foram capazes de estabelecer agrupamentos dentro da massa de dados, porém apresentaram erros grosseiros de classificação caracterizados pelo agrupamento de dados com propriedades conflitantes, e também não foi possível estabelecer qual o critério de classificação adotado. Tais resultados demonstraram a inviabilidade prática dessas redes para os sistemas estudados sob nossas condições experimentais. As redes SOM e NG mostraram uma capacidade de classificação muito superior às RNAs puramente competitivas. Ambas as redes reconheceram os dois agrupamentos principais de dados correspondentes à lactose (LAC) e celulose (CEL). Entretanto a rede som demonstrou deficiência na classificação de dados relativos aos excipientes minoritários, estearato de magnésio (EMG), talco (TLC) e atapulgita (ATP). A rede NG, por sua vez, estabeleceu uma classificação muito consistente dos dados e resolveu o erro de classificação apresentados pela rede SOM, mostrando-se a rede mais adequada para a classificação dos dado do presente estudo. A rede Neural Gas, portanto, mostrou- se promissora para o desenvolvimento de softwares para uso na classificação automatizada de sistemas pulverulentos farmacêuticos