Predicción de la liberación in vitro de compuestos fenólicos nanoencapsulados empleando Redes Neuronales Artificiales/Prediction of in vitro release of nanoencapsulated phenolic compounds using Artificial Neural Networks

• Published in: Dyna (Medellín, Colombia) Vol. 87; no. 212; p. 244
• Main Authors: Espinosa-Sandoval, Luz América, Ochoa-Martínez, Claudia Isabel, Ayala-Aponte, Alfredo Adolfo
• Format: Journal Article
• Language: English
• Published: Bogota Universidad Nacional de Colombia 01.01.2020
• Subjects: Artificial neural networks; Correlation coefficient; Correlation coefficients; Mathematical analysis; Mathematical models; Neural networks; Phenolic compounds; Phenols; Ribonucleic acid; RNA
• ISSN: 0012-7353; 2346-2183
• DOI: 10.15446/dyna.v87n212.72883

La modelación de la liberación in vitro (LIV) de compuestos fenólicos (CF) nanoencapsulados es compleja debido a la cantidad de factores que intervienen en el proceso. Las Redes Neuronales Artificiales (RNA) constituyen una herramienta útil para predecirla gracias a que consideran el efecto de todos los factores sobre la respuesta. La LIV a 5h es determinante en las cinéticas debido a que en la mayoría de las investigaciones se alcanza un punto de equilibrio y se pasa a una fase constante. El objetivo de esta investigación fue predecir la LIV a 5h de CF nanoencapsulados empleando RNA. El modelo desarrollado permite correlacionar matemáticamente la LIV a 5h de CF nanoencapsulados con once factores. La configuración óptima de la red consistió de una capa oculta con una neurona. Se obtuvo un modelo matemático con un Error Cuadrático Medio (ECM) de 0.0516 y un coeficiente de correlación (r) de 0.8413. In Vitro Release modeling (IVR) of nanoencapsulated phenolic compounds (PC) is complex, due to the number of factors involved in the process. Artificial Neural Networks (ANN) are useful tools for its prediction because they consider the effect of all factors on the response. The release at 5h is crucial in kinetics because, in most cases, it is an equilibrium point leading to a constant phase. The objective of this investigation was to predict the IVR of nanoencapsulated PC at 5h using ANN. A database with information from the scientific literature was used. This model permits mathematical correlation of the IVR at 5h with eleven factors. The optimal network configuration consisted of one hidden layer with one neuron. A mathematical model was obtained with a Mean Square Error (MSE) of 0.0516 and a correlation coefficient (r) of 0.8413.