정호섭 (서울대학교) | 한빛사논문 > 한빛사

한빛사논문

조회104

서울대학교

CV File

Small Methods, May 01 2026, | https://doi.org/10.1002/smtd.70663 Liposome Particle Size Prediction by In-Line Process Analytical Technology (PAT)-Integrated Machine Learning

Junghu Lee¹, Nozomi Morishita Watanabe¹, Noriko Yoshimoto², Seonghyeon Eom³, Moon Kyu Kwak⁴, Ho-Sup Jung^3,5, Hiroshi Umakoshi¹

¹Division of Chemical Engineering, Graduate School of Engineering Science, Osaka University, Toyonaka, Osaka, Japan
²Department of Applied Chemistry, Graduate School of Science and Technology for Innovation, Yamaguchi University, Ube, Yamaguchi, Japan
³Nbiocell Inc, Siheung SNU Start-up Campus, Gyeonggi-do, Republic of Korea
⁴Department of Mechanical Engineering, Kyungpook National University, Daegu, Republic of Korea
⁵Center for Food and Bioconvergence, Department of Food Science and Biotechnology, Seoul National University, Seoul, Republic Korea

Correspondence: Junghu Lee, Ho-Sup Jung, Hiroshi Umakoshi

Abstract

Precise control of liposome size is critical for drug delivery. We developed an in-line PAT-integrated machine learning model that predicts particle size with high accuracy (root mean square error 7.18 nm) using limited experimental data. By integrating physicochemical membrane characteristics, the model demonstrates generalization (root mean square error 7.53 nm) and interpretability, establishing a practical framework for advanced liposome particle size control.

논문소개전체 설명

리포좀(Liposome)은 표적 지향적 약물 전달을 위한 핵심 나노 전달체입니다. 리포좀의 입자 크기는 인체 내 순환 반감기, 세포 흡수 메커니즘, 종양 축적 등 약물 동태학과 생체 분포에 지대한 영향을 미치므로 정밀한 크기 제어가 필수적입니다. 최근 미세유체(Microfluidics) 시스템은 높은 재현성으로 균일한 리포좀을 생산할 수 있어 각광받고 있습니다. 그러나 최종 입자 크기는 유속(TFR), 혼합 비율(FRR), 지질 농도 같은 '공정 매개변수'뿐만 아니라 지질막의 굽힘 강성이나 소수성 같은 '물리화학적 특성'들이 복잡하게 얽혀 결정됩니다. 기존의 단일 변수 변경 실험이나 단순 데이터 물량에 의존하는 머신러닝 예측법은 최적화에 많은 자원과 시간이 소모된다는 근본적인 한계가 있었습니다.
본 연구팀은 데이터의 '양'을 늘리는 대신 '데이터의 질(물리화학적 연관성)'을 높이는 혁신적인 접근법을 제시했습니다. 실시간 공정 분석 기술(In-line PAT)을 미세유체 합성 시스템에 통합하여, 리포좀 형성 과정에서 나타나는 형광 분광 데이터를 실시간으로 수집했습니다. 그 결과, 머신러닝 모델이 입자 크기 형성에 관여하는 근본적인 메커니즘을 파악하도록 돕는 강력한 예측 프레임워크를 구축했습니다.
이 연구는 단순히 복잡한 알고리즘을 설계한 것이 아니라, In-line PAT 기술을 통해 머신러닝에 입력되는 데이터의 질을 근본적으로 향상시킨 성공 사례입니다. 약학 분야의 설계 기반 품질 고도화 원칙에 완벽히 부합하는 이 플랫폼은, 리포좀 기반 나노의약품 개발 프로세스를 획기적으로 가속화할 것입니다. 제약 및 바이오 산업에서 시간과 자원의 소모를 줄이고, 나노의약품의 임상적 안전성과 품질을 조기에 확보하는 실질적인 청사진이 될 것으로 기대됩니다.

논문정보