Optimization of poly(lactic-co-glycolic acid) particle properties for biomedical applications

Abstract

In addressing modern health challenges, the strategic use of biomaterials stands at the forefront of scientific innovation and progression. These materials have become essential tools in the search for treatments and cures against many diseases. Poly(lactic- co-glycolic acid) (PLGA) is one such material that has exceptional biocompatibility and versatility and has been approved by the Food and Drug Administration (FDA) in terms of utilization in biomedical applications. Different health applications require particles with specific sizes and properties; for instance, drug delivery applications generally require nano-sized particles while cell-based therapies rely mostly on micro-sized particles to house the cells within. Consequently, the tailoring of PLGA particles for specific purposes requires a comprehensive optimization study. Here, by using a computational approach, the effect of individual synthesis parameters in the final size on the PLGA particles has been identified. According to the effects of these individual parameters, an artificial neural network (ANN) model is developed to predict the particle size accurately and robustly. Development of an ANN model required its optimization, in terms of model performance. Since the training data of the model comes from experimental results, the model lacked a high number of data points. Thus, any kind of generated model carries a risk of overfitting, where the model specializes in predicting the training set and performs poorly on presented unknown data. To be able to understand whether a model overfits, several cross-validation methods like leave-one-out cross-validation (LOOCV) and leave-p-out cross-validation (LPOCV) have been utilized. As a result, the Bayesian Regularization (BR) backpropagation method with 5-1-5 multiple hidden layer size network architecture was found to be robustly predicting the final size with any given parameters. Utilizing this ANN model, particles with desired sizes have been synthesized and used in several applications such as i- macroporous PLGA particles that carry cells and ii- PLGA particles that form an aggregate with spheroids to improve the viability. The first application required extensive optimization regarding the pore size of the particles which is essential for cell penetration. As a result, NIH-3T3 fibroblast cells were successfully pushed inside the PLGA particles via centrifugal cell immobilization without having any negative impacts on the viability of these cells. As for the second application, negatively charged PLGA particles were unsuccessful in forming aggregates with the fibroblast spheroids. Nevertheless, coating PLGA particles with chitosan showed promising results without impairing the viability of the cells and the release kinetics from the particles. In conclusion, this study offers a method to estimate particle size prior to synthesis and opens the way for further innovations in biomedical applications, leading to the development of more effective and customized therapeutic solutions.

Modern sağlık sorunlarına çözüm ararken, biyomalzemelerin stratejik kullanımı bilimsel yenilik ve tedavilerin ön saflarında yer almaktadır. Bu materyaller, birçok hastalığa karşı çözüm arayışında temel araçlar haline geldi. Poli(laktik-ko-glikolik asit) (PLGA), bu materyallerden biri olup olağanüstü biyouyumluluğa sahip olmasının yanı sıra Food and Drug Admistritation (FDA) tarafından biyomedikal uygulamalarda kullanımı için onaylanmıştır. Farklı sağlık uygulamaları, belirli boyutlarda ve özelliklerde partiküllere ihtiyaç duyar; örneğin, ilaç taşıma uygulamaları genellikle nano boyutlu partiküller gerektirirken, hücre tabanlı tedaviler çoğunlukla hücreleri içine yerleştirmek için mikro boyutlu partiküller kullanır. Dolayısıyla, PLGA partiküllerinin belirli bir amaç için uyarlanması kapsamlı bir optimizasyon çalışması gerektirir. Bu çalışmada, hesaplamalı bir yaklaşım kullanılarak, PLGA partiküllerinin nihai boyutundaki bireysel sentez parametrelerinin etkisi belirlenmiştir. Bu bireysel parametrelerin etkilerine göre, partikül boyutunu doğru ve güvenilir bir şekilde tahmin etmek için bir yapay sinir ağı (ANN) modeli geliştirilmiştir. Bu ANN modelinin geliştirilmesi, model performansı açısından optimize edilmesini gerektirmiştir. Modelin verileri deneysel sonuçlardan oluşması sebebiyle, model yüksek sayıda veri noktasına sahip olmamaktadır. Dolayısıyla, her türlü oluşturulan model, eğitim setini tahmin etme üzerine uzmanlaşarak aşırı öğrenme riski taşır. Bir modelin aşırı öğrenme gösterip göstermediğini anlayabilmek için, çapraz doğrulama yöntemleri olan tek dışarıda bırakma çapraz doğrulama (LOOCV) ve p-dışarıda bırakma çapraz doğrulama (LPOCV) kullanılmıştır. Sonuç olarak, 5-1-5 çoklu gizli katman boyutlu ağ mimarisi ile Bayes Düzenlemesi (BR) geri yayılım yöntemi, herhangi verilen parametrelerle nihai boyutu güvenilir bir şekilde tahmin edebilir bulunmuştur. Geliştirilen ANN modelinin yardımıyla, istenen boyutlarda partiküller sentezlenmiş ve birkaç uygulamada kullanılmıştır; bunlar i- hücre taşıyan makroporöz PLGA partikülleri ve ii- canlılığı artırmak için sferoidlerle agregat oluşturan PLGA partikülleri. İlk uygulama, hücre penetrasyonu için esas olan partikül gözenek boyutu üzerinde kapsamlı bir optimizasyon gerektirmiştir. Sonuç olarak, NIH-3T3 fibroblast hücreleri, bu hücrelerin canlılığını olumsuz etkilemeden PLGA partikülleri içine, santrifüjle hücre immobilizasyonu yoluyla başarıyla yerleştirilmiştir. İkinci uygulamada ise, negatif yüklü PLGA partikülleri fibroblast sferoidler ile agregat oluşturmada başarısız olmuştur. Çözüm olarak, PLGA partiküllerin kitosan ile kaplanması, hücrelerin canlılığını ve partiküllerden salınım kinetiğini bozmadan umut verici sonuçlar göstermiştir. Sonuç olarak, bu çalışma sentez öncesi partikül boyutunu tahmin etmek için bir yöntem sunmakta ve biyomedikal uygulamalarda daha fazla yeniliğin yolunu açmaktadır, bu da daha etkili ve özelleştirilmiş terapötik çözümlerin geliştirilmesine katkıda bulunmaktadır.