Simulazione avanzata e valutazione numerica della stima della solubilità farmaceutica durante processi supercritici mediante calcoli di intelligenza artificiale

Perché è importante per le medicine del futuro

Molti farmaci moderni hanno scarsa solubilità in acqua, il che può limitare la quantità di principio attivo che effettivamente raggiunge l'organismo. Le aziende farmaceutiche si stanno orientando verso metodi di lavorazione più ecologici che impiegano anidride carbonica compressa per migliorare la dissoluzione dei farmaci. Questo studio mostra come l'intelligenza artificiale possa aiutare a predire, al computer, il comportamento di un farmaco per il diabete in tale sistema, riducendo la necessità di costosi tentativi ed errori in laboratorio.

Un metodo più pulito per i farmaci difficili da dissolvere

Le aziende farmaceutiche sono interessate al diossido di carbonio supercritico, uno stato particolare del CO2 in cui si comporta sia come gas sia come liquido. In questa forma può trasformare delicatamente i farmaci in particelle molto piccole che si dissolvono meglio, senza ricorrere a solventi organici tossici. Una sfida chiave è sapere in anticipo quanto di un dato farmaco si dissolverà in questo fluido insolito a diverse temperature e pressioni. Le formule termodinamiche tradizionali possono farlo, ma richiedono misurazioni dettagliate per ciascun nuovo principio attivo e non sono facilmente riutilizzabili su molti composti diversi.

Lasciare che i computer imparino dai dati

I ricercatori si sono concentrati sul glibenclamide, un farmaco con scarsa solubilità in acqua usato per trattare il diabete. Hanno raccolto misurazioni sperimentali esistenti su quanto di questo principio attivo si dissolva nel CO2 supercritico sotto molte combinazioni di temperatura e pressione, insieme alla densità del CO2 in quelle condizioni. Usando questo insieme di dati, hanno addestrato tre tipi di modelli di reti neurali artificiali per apprendere la relazione tra le condizioni operative (temperatura e pressione) e due uscite rilevanti per il progetto: la densità del CO2 e la solubilità del glibenclamide.

Messa a punto più intelligente con uno strumento ispirato alla natura

Per ottenere le migliori prestazioni da queste reti neurali, il team ha utilizzato un metodo di ricerca chiamato Dragonfly Algorithm, ispirato al movimento collettivo delle libellule durante caccia e migrazione. Invece di testare ogni possibile configurazione dei modelli per forza bruta, questo algoritmo guida la ricerca verso combinazioni promettenti di parametri interni. Bilancia l'esplorazione di nuove opzioni con il perfezionamento di quelle buone, cosa particolarmente utile quando molte impostazioni interagiscono in modo complesso.

Cosa hanno imparato i modelli su pressione e temperatura

Dopo l'addestramento, tutti e tre i modelli sono riusciti a riprodurre da vicino i valori misurati di solubilità e densità, con una rete relativamente semplice nota come perceptrone multilivello che ha fornito le previsioni più accurate. I modelli hanno confermato che aumentare pressione e temperatura aumenta generalmente la quantità di glibenclamide che può dissolversi nel CO2 supercritico, mentre temperature più alte tendono a ridurre la densità del fluido. Costruendo superfici lisce e mappe di contorno a partire dalle previsioni, gli autori hanno potuto visualizzare come queste variabili interagiscono, rivelando zone in cui piccoli cambiamenti di pressione o temperatura hanno forti effetti sulla solubilità o dove la tendenza si inverte a bassa pressione.

Oltre un singolo farmaco e verso una progettazione più verde

Per verificare se il loro approccio fosse limitato al solo glibenclamide, gli autori hanno testato il modello con le migliori prestazioni su dati di solubilità di altri cinque farmaci con strutture diverse. Il modello ha nuovamente predetto la solubilità nel CO2 supercritico con elevata accuratezza, suggerendo che cattura schemi generali piuttosto che memorizzare un unico caso. Ciò significa che potrebbe diventare uno strumento pratico per selezionare e progettare processi supercritici per nuovi medicinali utilizzando principalmente dati esistenti e pochi esperimenti aggiuntivi.

Cosa significa per i pazienti e per il pianeta

In termini semplici, questo lavoro dimostra che i computer possono imparare a prevedere come un farmaco si dissolverà in un processo più pulito a base di CO2 solo a partire da misurazioni precedenti. Questo facilita il lavoro degli scienziati nel trovare condizioni operative che migliorino la solubilità senza eccessivi tentativi ed errori o sprechi. Pur non testando direttamente come questi cambiamenti influenzino i pazienti, lo studio pone le basi per rendere i farmaci difficili da somministrare più utilizzabili e per farlo con meno solventi nocivi, favorendo sia lo sviluppo farmaceutico sia la sostenibilità ambientale.

Citazione: 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

Parole chiave: solubilità dei farmaci, CO2 supercritico, machine learning, processazione farmaceutica, glibenclamide