Simulación avanzada y evaluación numérica de la estimación de solubilidad farmacéutica bajo procesamiento supercrítico mediante cálculos de inteligencia artificial

Por qué esto importa para las medicinas del futuro

Muchos fármacos modernos no se disuelven bien en agua, lo que puede limitar la cantidad de medicamento que realmente llega al organismo. Los fabricantes de fármacos recurren a métodos de procesamiento más ecológicos que usan dióxido de carbono comprimido para mejorar la disolución. Este estudio muestra cómo la inteligencia artificial puede ayudar a predecir, por ordenador, cómo se comporta un medicamento para la diabetes en dicho sistema, de modo que se reduzca el costoso ensayo y error en el laboratorio.

Una forma más limpia de fabricar fármacos de difícil disolución

Las empresas farmacéuticas se interesan por el dióxido de carbono supercrítico, un estado especial del CO₂ en el que se comporta a la vez como gas y como líquido. En esta forma puede transformar suavemente los fármacos en partículas muy pequeñas que se disuelven mejor, sin depender de disolventes orgánicos tóxicos. Un desafío clave es saber de antemano cuánto de un fármaco dado se disolverá en este fluido inusual a diferentes temperaturas y presiones. Las fórmulas termodinámicas tradicionales pueden hacer esto, pero requieren mediciones detalladas para cada nuevo fármaco y no son fáciles de reutilizar entre muchos compuestos.

Dejar que los ordenadores aprendan de los datos

Los investigadores se centraron en la glibenclamida, un medicamento con baja solubilidad en agua usado para tratar la diabetes. Reunieron mediciones experimentales existentes sobre cuánto de este fármaco se disuelve en CO₂ supercrítico bajo muchas combinaciones de temperatura y presión, junto con la densidad del CO₂ en esas condiciones. Con ese conjunto de datos, entrenaron tres tipos de modelos de redes neuronales artificiales para aprender la relación entre las condiciones de operación (temperatura y presión) y dos salidas relevantes para el diseño: la densidad del CO₂ y la solubilidad de la glibenclamida.

Ajuste más inteligente con una herramienta inspirada en la naturaleza

Para obtener el mejor rendimiento de estas redes neuronales, el equipo utilizó un método de búsqueda llamado Algoritmo Dragonfly, inspirado en cómo se mueven las libélulas en grupo mientras cazan y migran. En lugar de probar por fuerza bruta cada posible configuración de los modelos, este algoritmo guía la búsqueda hacia combinaciones prometedoras de parámetros internos. Equilibra la exploración de nuevas opciones con el perfeccionamiento de las buenas, lo que resulta especialmente útil cuando muchas configuraciones interactúan de forma compleja.

Lo que los modelos aprendieron sobre presión y temperatura

Tras el entrenamiento, los tres modelos pudieron aproximarse de forma estrecha a los valores medidos de solubilidad y densidad, siendo una red relativamente simple conocida como perceptrón multicapa la que ofreció las predicciones más precisas. Los modelos confirmaron que aumentar la presión y la temperatura generalmente incrementa la cantidad de glibenclamida que puede disolverse en el CO₂ supercrítico, mientras que una mayor temperatura tiende a reducir la densidad del fluido. Al construir superficies suaves y mapas de contorno a partir de las predicciones, los autores pudieron visualizar cómo interactúan estas variables, revelando zonas donde pequeños cambios en presión o temperatura tienen efectos fuertes en la solubilidad o donde la tendencia se invierte a baja presión.

Más allá de un fármaco y hacia un diseño más ecológico

Para comprobar si su enfoque dependía únicamente de la glibenclamida, los autores probaron el modelo de mejor rendimiento con datos de solubilidad de otros cinco fármacos con estructuras distintas. El modelo volvió a predecir la solubilidad en CO₂ supercrítico con alta precisión, lo que sugiere que captura patrones generales en lugar de memorizar un caso. Esto significa que podría convertirse en una herramienta práctica para cribado y diseño de procesos supercríticos para nuevos medicamentos usando principalmente datos existentes y experimentos adicionales limitados.

Qué supone esto para los pacientes y el planeta

En términos sencillos, este trabajo muestra que los ordenadores pueden aprender a predecir cómo se disolverá un fármaco en un proceso más limpio a base de CO₂ solo a partir de mediciones previas. Eso facilita a los científicos encontrar condiciones de operación que mejoren la solubilidad sin un exceso de ensayo y error o desperdicio. Si bien el estudio no prueba directamente cómo estos cambios afectan a los pacientes, sienta las bases para hacer fármacos difíciles de usar más aprovechables y para hacerlo con menos disolventes nocivos, beneficiando tanto al desarrollo farmacéutico como a la sostenibilidad ambiental.

Cita: 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

Palabras clave: solubilidad de fármacos, CO2 supercrítico, aprendizaje automático, procesamiento farmacéutico, glibenclamida