Fortgeschrittene Simulation und numerische Bewertung der Schätzung pharmazeutischer Löslichkeit bei überkritischer Verarbeitung mithilfe künstlicher Intelligenz

Warum das für zukünftige Arzneimittel wichtig ist

Viele moderne Medikamente lösen sich schlecht in Wasser, was einschränken kann, wie viel Wirkstoff tatsächlich im Körper ankommt. Pharmahersteller wenden sich umweltfreundlicheren Verarbeitungsmethoden zu, die komprimiertes Kohlendioxid nutzen, um die Löslichkeit zu verbessern. Diese Studie zeigt, wie künstliche Intelligenz rechnergestützt vorhersagen kann, wie ein Diabetesmedikament in einem solchen System reagiert, sodass kostspieliges Ausprobieren im Labor reduziert werden kann.

Ein saubererer Weg, schwer lösliche Arzneistoffe herzustellen

Pharmafirmen interessieren sich für überkritisches Kohlendioxid, einen speziellen Zustand von CO₂, in dem es sich sowohl wie ein Gas als auch wie eine Flüssigkeit verhält. In dieser Form kann es Arzneistoffe schonend in winzige Partikel umwandeln, die besser löslich sind, ohne auf toxische organische Lösungsmittel angewiesen zu sein. Eine zentrale Herausforderung besteht darin, im Voraus zu wissen, wie viel eines bestimmten Wirkstoffs sich bei unterschiedlichen Temperaturen und Drücken in diesem ungewöhnlichen Fluid löst. Traditionelle thermodynamische Formeln können das leisten, erfordern aber detaillierte Messungen für jeden neuen Stoff und lassen sich nicht leicht auf viele Verbindungen übertragen.

Computer aus Daten lernen lassen

Die Forschenden konzentrierten sich auf Glibenclamid, ein schlecht wasserlösliches Medikament zur Behandlung von Diabetes. Sie sammelten vorhandene experimentelle Messwerte darüber, wie viel dieses Arzneimittels sich unter vielen Kombinationen von Temperatur und Druck in überkritischem CO₂ löst, sowie die Dichte des CO₂ unter diesen Bedingungen. Mit diesem Datensatz trainierten sie drei Typen künstlicher neuronaler Netze, um die Verbindung zwischen den Betriebsbedingungen (Temperatur und Druck) und zwei für das Design wichtigen Ausgaben zu erlernen: der Dichte des CO₂ und der Löslichkeit von Glibenclamid.

Intelligenteres Abstimmen mit einem von der Natur inspirierten Werkzeug

Um die beste Leistung dieser neuronalen Netze zu erzielen, nutzte das Team eine Suchmethode namens Dragonfly‑Algorithmus, inspiriert von der Art und Weise, wie Libellen sich in Gruppen beim Jagen und Wandern bewegen. Anstatt jede mögliche Einstellung der Modelle mit roher Gewalt zu testen, lenkt dieser Algorithmus die Suche auf vielversprechende Kombinationen interner Parameter. Er balanciert das Erkunden neuer Optionen mit dem Verfeinern guter Einstellungen, was besonders nützlich ist, wenn viele Parameter auf komplexe Weise miteinander interagieren.

Was die Modelle über Druck und Temperatur lernten

Nach dem Training konnten alle drei Modelle die gemessenen Werte für Löslichkeit und Dichte gut nachbilden; am genauesten war ein relativ einfaches Netzwerk, bekannt als Multilayer-Perzeptron. Die Modelle bestätigten, dass ein Anstieg von Druck und Temperatur im Allgemeinen erhöht, wie viel Glibenclamid sich im überkritischen CO₂ löst, während höhere Temperatur tendenziell die Dichte des Fluids senkt. Durch das Erstellen glatter Flächen und Isolinienkarten aus den Vorhersagen konnten die Autoren visualisieren, wie diese Variablen zusammenwirken, Bereiche aufzeigen, in denen kleine Änderungen von Druck oder Temperatur starke Effekte auf die Löslichkeit haben, oder wo sich der Trend bei niedrigem Druck umkehrt.

Über ein Medikament hinaus und hin zu umweltfreundlicherem Design

Um zu prüfen, ob ihr Ansatz nur auf Glibenclamid beschränkt ist, testeten die Autoren das bestleistende Modell mit Löslichkeitsdaten von fünf weiteren Arzneistoffen mit unterschiedlichen Strukturen. Das Modell sagte erneut die Löslichkeit in überkritischem CO₂ mit hoher Genauigkeit voraus, was darauf hindeutet, dass es allgemeine Muster erfasst und nicht nur einen Einzelfall auswendig gelernt hat. Das bedeutet, dass es ein praktisches Werkzeug für das Screening und die Auslegung überkritischer Prozesse für neue Medikamente werden könnte, wobei hauptsächlich vorhandene Daten und nur wenige zusätzliche Experimente nötig sind.

Was das für Patientinnen, Patienten und den Planeten bedeutet

Vereinfacht gesagt zeigt diese Arbeit, dass Computer aus vergangenen Messungen lernen können, wie sich ein Arzneistoff in einem saubereren, CO₂‑basierten Verfahren löst. Das erleichtert es Forschenden, Betriebsbedingungen zu finden, die eine bessere Löslichkeit liefern, ohne übermäßiges Ausprobieren oder Abfall. Während die Studie nicht direkt untersucht, wie sich diese Änderungen auf Patientinnen und Patienten auswirken, legt sie die Grundlage dafür, schwer zu handhabende Medikamente besser nutzbar zu machen und dies mit weniger schädlichen Lösungsmitteln zu tun, was sowohl der Arzneimittelentwicklung als auch der Umwelt zugutekommt.

Zitation: Albariqi, A.H., Alzhrani, R.M., Alghamdi, M.A. et al. Advanced simulation and numerical evaluation of pharmaceutical solubility estimation under supercritical processing using artificial intelligence computations. Sci Rep 16, 15099 (2026). https://doi.org/10.1038/s41598-026-45225-6

Schlüsselwörter: Arzneistofflöslichkeit, überkritisches CO2, maschinelles Lernen, pharmazeutische Verarbeitung, Glibenclamid