تحقیقات جدید بیانگر آن است که چگونه چندین مدل‌سازی که توسط هوش مصنوعی انجام گرفته، می‌تواند در زمینه طراحی نانوذرات با ویژگی‌های رهایش دارو به دقت مؤثر باشد.
افزایش تمایل به درمان‌های شخصی سرطان موجب شده که توجه خاصی به تولید زیست‌موادی که به محرک‌های خارجی پاسخ می‌دهند، به وجود آید. این زیست‌مواد قابلیت دارند تا داروها را به مکان‌های خاص در بدن ارسال کنند و از انتقال دارو به مناطق ناخواسته جلوگیری نمایند.
میان این گونه مواد، نانوذرات مبتنی بر پلی لاکتیک- Co-گلیکولیک اسید (PLGA) نوید خوبی برای سیستم‌های تحویل هدفمند دارو به همراه دارند.
اخیراً، مقاله‌ای در نشریه Biomatials منتشر شده که در آن از چهار روش مختلف یادگیری ماشینی یادگیری ماشین استفاده شده تا به شناسایی و پیش‌بینی عوامل مؤثر بر خصوصیات نانوذرات PLGA پرداخته شود. این مدل‌ها بر اساس پارامترهای مرتبط با اندازه نانوذرات، نرخ محصورسازی (E.E. درصد) و درصد بارگذاری دارو (D.L. درصد) آموزش دیده‌اند. از شاخص‌هایی مانند «حداقل میزان کاهش» و «اپراتور انتخاب» برای شناسایی مؤثرترین ویژگی‌ها در این پارامترها بهره گرفته شده است.
این مدل‌ها با یک روش اعتبارسنجی تأیید شده و با استفاده از معیارهایی چون خطای مطلق، میانگین خطای مطلق و R-Square مورد ارزیابی قرار گرفته‌اند.
حوزه نانودارو که شامل توسعه داروهای نانویی و عوامل تصویربرداری می‌شود، ورود روش‌های نوین هوش مصنوعی و یادگیری ماشینی را تجربه کرده است. این رویکردهای محاسباتی دقت بالاتری را ارائه داده و می‌توانند پیچیدگی سیستم‌های تحویل دارو را به طور مؤثرتری نسبت به روش‌های سنتی آزمایش و خطا مدیریت کنند. این مطالعه بر پتانسیل هوش مصنوعی در طراحی فرمولاسیونی با کنترل بهبود یافته بر خواص و نتایج بهینه تأکید می‌ورزد و نشان‌دهنده کاربردهای آن در سیستم‌های میکروسیالی و بهینه‌سازی ویژگی‌های میکرو ذرات است.