Beschleunigte Arzneimittelentwicklung durch einen digitalen Formulierer und eine selbstfahrende Tablettierungs-Datenfabrik

Schnellere Pillen für Patienten

Wenn ein neues Medikament entdeckt wird, kann die Umwandlung in eine einfach schluckbare Tablette Jahre dauern und große Mengen des wertvollen Wirkstoffpulvers verbrauchen. Diese Studie beschreibt einen stark automatisierten Ansatz zur Auslegung und Herstellung von Tabletten, der sowohl Zeit als auch Materialbedarf reduziert und so Medikamente schneller und effizienter zu den Patienten bringen hilft.

Der verborgene Engpass nach der Entdeckung

Moderne Werkzeuge der künstlichen Intelligenz unterstützen Wissenschaftler inzwischen dabei, Wirkstoffkandidaten zu finden und klinische Versuche deutlich schneller zu entwerfen als früher. Dadurch hat sich der langsamste Teil der Versorgung von Patienten mit Medikamenten in den Schritt verlagert, in dem Chemiker und Ingenieure herausfinden, wie ein feines Wirkstoffpulver in eine stabile, sichere Tablette überführt werden kann, die sich in großem Maßstab herstellen lässt. Dieser Schritt umfasst viele miteinander verknüpfte Entscheidungen über Rezeptur, Verarbeitungsweg und Fabrikeinstellungen. Ein später Kurswechsel ist teuer, daher brauchen Unternehmen frühere, bessere Entscheidungen darüber, wie der Wirkstoff mit Hilfsstoffen gemischt und wie er zu Tabletten gepresst werden sollte, die handhabbar, aber dennoch im Körper wie vorgesehen zerfallen und sich auflösen.

Ein digitaler Formulierer, der vorausdenkt

Die Forschenden entwickelten einen „digitalen Formulierer“, der vorhersagt, wie sich eine pulverförmige Mischung verhalten wird, bevor überhaupt ein Gramm im Labor gemischt wird. Anstatt spezifische Chemikalien zu verinnerlichen, lernen die Modelle von grundlegenden physikalischen Merkmalen wie Partikelgröße, -form und Dichte. Mithilfe einer Bibliothek gängiger Tablettenbestandteile testet das System tausende virtuelle Rezepturen in silico. Es sucht nach Kombinationen, die wahrscheinlich gut durch Maschinen fließen und dabei Tabletten mit der angestrebten Festigkeit und Porosität ergeben—wichtige Kennzahlen dafür, wie gut eine Tablette die Handhabung übersteht und dennoch im Magen zerfällt. Tiefe neuronale Netze, trainiert an mehr als tausend experimentellen Datenpunkten, können Porosität und Festigkeit von Tabletten sowie deren Unsicherheit für neue Wirkstoffe vorhersagen, deren Eigenschaften im gelernten Bereich liegen.

Eine selbstfahrende Tablettierlinie

Sobald der digitale Formulierer ein optimales Rezept und Startpressparameter vorschlägt, übernimmt eine „selbstfahrende Tablettier-Datenfabrik“. Dieses Tischlabor verbindet Pulverdosierung, Transport, Tablettenpressung und Prüfung über zwei Roboterarme und einen Orchestrierungsrechner. Die Plattform wiegt jede Pulverportion, zeichnet Nahinfrarotspektren zur Kontrolle der Mischhomogenität auf, presst einzelne Tabletten und misst anschließend automatisch Gewicht, Maße und Bruchkraft. Ein eingebautes Entscheidungssystem sortiert außerhalb der Spezifikation liegende Tabletten aus und veranlasst Reinigungsprozesse, um Kreuzkontaminationen zwischen Rezepturen zu vermeiden. Während des gesamten Ablaufs werden Daten aus jedem Schritt an einen zentralen Controller gestreamt, der den Prozess mit minimaler menschlicher Eingabe am Laufen hält.

Mit weniger Versuchen den richtigen Druck erlernen

Um die Pressparameter zu optimieren, nutzte das Team eine physik-informierte Optimierungsstrategie. Diese Methode kombiniert einfache physikalische Gleichungen zur Pulverkompaktierung mit einer Machine-Learning-Ebene, die das jeweils nächstbeste Experiment vorschlägt. Für neun unterschiedliche Fallstudien mit sechs Wirkstoffen passte sie den Hauptkompressionsdruck an, um eine Zielporosität der Tabletten zu erreichen, während die Festigkeit oberhalb einer vorgegebenen Schwelle blieb. In jedem Fall waren nur wenige Testtabletten nötig, um die Modelle zu kalibrieren, und die endgültigen Tabletten erfüllten die Herstellungs- und Zerfallsanforderungen für schnell freisetzende Produkte. Die Studie nutzte die digitalen Modelle außerdem, um zu untersuchen, wie unterschiedliche Partikelgrößenverteilungen den Pulverfluss und die Tablettenfestigkeit beeinflussen, und bestätigte sowie quantifizierte Regeln, auf die Formulierer zuvor hauptsächlich aus Erfahrung vertraut hatten.

Was das für künftige Medikamente bedeutet

Durch die enge Verknüpfung prädiktiver Modelle mit einer automatisierten Tablettenproduktionslinie verkürzt diese Plattform den Weg von Messungen am Rohpulver zu akzeptablen Tabletten auf etwa sechs Stunden und verwendet dabei ungefähr ein Drittel des Wirkstoffmaterials, das nach heutigen Best-Practice-Verfahren nötig ist. Obwohl die Anlage noch praktische Grenzen hat und noch nicht fabrikreif ist, weist sie in eine Zukunft, in der die Auslegung und Prüfung von Tablettenrezepturen schneller, datenreicher und weniger verschwenderisch ist. Für Patienten könnten solche Werkzeuge bedeuten, dass mehr Medikamente reibungsloser von der Entdeckung bis ins Apothekenregal gelangen, bei besserer Nutzung von Zeit, Fachwissen und knappen Wirkstoffstoffen.

Zitation: Abbas, F., Salehian, M., Hou, P. et al. Accelerated drug development using a digital formulator and a self-driving tableting data factory. Nat Commun 17, 4739 (2026). https://doi.org/10.1038/s41467-026-71204-6

Schlüsselwörter: Tablettenformulierung, selbstfahrendes Labor, digitaler Formulierer, pharmaautomatisierung, Arzneimittelherstellung