본래의 점액을 모방하는 바이오시밀러 인공 점액 모델은 나노 및 미세 스케일 입자를 기반으로 한 결장 약물 전달의 비용이 많이 들고 도전적인 전임상 단계를 해결하여 실험실 기반의 효율적인 약물 확산 연구를 가능하게 합니다. 본 연구는 점액에서 나노 및 미세 스케일 입자 확산 패턴을 특징짓고 이러한 움직임에 대한 점액 마이크로 유변학의 영향을 평가하기 위해 미크로유변학적 특징을 확산 지문화에 통합한 기계 학습 기반의 프레임워크를 제시합니다. 우리는 형광 라벨이 된 폴리스티렌 입자의 본래 돼지 점액과 두 가지 인공 점액 모델에서의 확산을 조사했습니다. 직경이 100, 200, 1000 nm인 카복실레이트 또는 아민으로 수정된 표면의 입자를 수동 확산 중 추적했습니다. 각 입자 궤적으로부터 마이크로유변학 기반의 매개변수를 포함한 20개의 특징을 추출했습니다. 이러한 특징을 바탕으로 일곱 개의 지도 기계 학습 모델을 적용하여 점액 하이드로겔의 유사성을 분류하거나 식별했습니다. 이 중 그라디언트 부스팅이 가장 높은 정확도를 달성했습니다. SHapley Additive exPlanations 분석은 크리프 컴플라이언스를 점액 모델을 구별하는 데 가장 중요한 특징으로 식별했습니다. 본래 점액에서는 더 작은 음전하 나노입자가 가장 높은 이동성을 보였으며, 적은 입자가 비이동 및 하위확산 상태에 있었습니다. 마이크로유변학 데이터는 또한 큰 입자가 본래 점액의 탄성 특성으로 인해 더 큰 제한을 경험했다는 것을 나타냈습니다. 반면, 작은 입자는 점액의 점성 액체 상과 더 많이 상호작용했습니다. 종합적인 특징 분석은 하이드록시에틸 셀룰로오스(HEC) 기반 인공 점액이 폴리아크릴릭 산 기반 모델보다 본래 돼지 점액과 더 유사하다는 것을 보여주었습니다. 결론적으로, 마이크로유변학적 특징을 통합한 기계 학습 기반 지문화 접근법은 세 가지 점액 모델의 미세구조적 특징과 유변학적 특성을 성공적으로 차별화했습니다. 또한 HEC 기반 인공 점액을 본래 결장 점액의 실행 가능한 대체제로 선택하는 것을 지원했습니다.