Simulation avancée et évaluation numérique de l'estimation de la solubilité pharmaceutique en traitement supercritique à l'aide de calculs d'intelligence artificielle

Pourquoi cela compte pour les médicaments du futur

Beaucoup de médicaments modernes se dissolvent mal dans l'eau, ce qui peut limiter la quantité de principe actif réellement disponible pour l'organisme. Les fabricants se tournent vers des méthodes de traitement plus écologiques utilisant du dioxyde de carbone comprimé pour améliorer la dissolution des médicaments. Cette étude montre comment l'intelligence artificielle peut aider à prédire, par calcul, le comportement d'un médicament antidiabétique dans un tel système afin de réduire les coûteux essais-erreurs en laboratoire.

Une manière plus propre de fabriquer des médicaments peu solubles

Les industries pharmaceutiques s'intéressent au dioxyde de carbone supercritique, un état particulier du CO₂ où il présente à la fois des comportements de gaz et de liquide. Sous cette forme, il peut transformer délicatement les médicaments en particules très fines qui se dissolvent mieux, sans recourir à des solvants organiques toxiques. Un défi majeur consiste à connaître à l'avance la quantité d'un médicament donné qui se solubilisera dans ce fluide inhabituel à différentes températures et pressions. Les formules thermodynamiques traditionnelles peuvent le faire, mais elles exigent des mesures détaillées pour chaque nouveau composé et sont difficiles à réutiliser pour une large gamme de molécules.

Laisser les ordinateurs apprendre à partir des données

Les chercheurs se sont concentrés sur la glibenclamide, un médicament peu soluble dans l'eau utilisé pour traiter le diabète. Ils ont rassemblé des mesures expérimentales existantes quantifiant la solubilité de ce médicament dans le CO₂ supercritique pour de nombreuses combinaisons de température et de pression, ainsi que la densité du CO₂ dans ces conditions. À partir de cet ensemble de données, ils ont entraîné trois types de modèles de réseaux neuronaux artificiels pour apprendre le lien entre les conditions d'exploitation (température et pression) et deux sorties importantes pour la conception : la densité du CO₂ et la solubilité de la glibenclamide.

Un réglage plus intelligent avec un outil inspiré de la nature

Pour optimiser les performances de ces réseaux neuronaux, l'équipe a utilisé une méthode de recherche appelée l'algorithme Dragonfly, inspirée des déplacements groupés des libellules lors de la chasse et des migrations. Au lieu d'examiner toutes les configurations possibles par force brute, cet algorithme oriente la recherche vers des combinaisons prometteuses de paramètres internes. Il équilibre l'exploration de nouvelles options et l'affinement des bonnes solutions, ce qui est particulièrement utile lorsque de nombreux paramètres interagissent de façon complexe.

Ce que les modèles ont appris sur la pression et la chaleur

Après entraînement, les trois modèles ont réussi à reproduire de près les valeurs mesurées de solubilité et de densité, un réseau relativement simple connu sous le nom de perceptron multicouche fournissant les prédictions les plus précises. Les modèles ont confirmé que l'augmentation de la pression et de la température augmente généralement la solubilité de la glibenclamide dans le CO₂ supercritique, tandis qu'une température plus élevée tend à diminuer la densité du fluide. En construisant des surfaces lisses et des cartes de contours à partir des prédictions, les auteurs ont pu visualiser l'interaction de ces variables, révélant des zones où de petits changements de pression ou de température ont de forts effets sur la solubilité, ou où la tendance s'inverse à basse pression.

Au-delà d'un seul médicament et vers une conception plus verte

Pour vérifier si leur approche dépendait uniquement de la glibenclamide, les auteurs ont testé le modèle le plus performant sur des données de solubilité de cinq autres médicaments aux structures variées. Le modèle a de nouveau prédit la solubilité dans le CO₂ supercritique avec une grande précision, suggérant qu'il capture des schémas généraux plutôt que de mémoriser un seul cas. Cela signifie qu'il pourrait devenir un outil pratique pour le criblage et la conception de procédés supercritiques pour de nouveaux médicaments en s'appuyant principalement sur des données existantes et un nombre limité d'expériences complémentaires.

Ce que cela signifie pour les patients et la planète

En termes simples, ce travail montre que les ordinateurs peuvent apprendre à prédire comment un médicament se dissoudra dans un procédé plus propre à base de CO₂ à partir de mesures passées. Cela facilite la recherche de conditions opératoires offrant une meilleure solubilité sans essais-erreurs excessifs ni gaspillage. Bien que l'étude ne teste pas directement l'impact de ces changements sur les patients, elle pose les bases pour rendre des médicaments difficiles à utiliser plus accessibles, tout en réduisant l'usage de solvants nocifs, au bénéfice du développement pharmaceutique et de la durabilité environnementale.

Citation: 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

Mots-clés: solubilité des médicaments, CO2 supercritique, apprentissage automatique, procédés pharmaceutiques, glibenclamide