人工知能計算を用いた超臨界プロセッシング下での医薬品溶解度推定の高度なシミュレーションと数値評価

将来の医薬品にとっての意義

多くの現代薬は水に溶けにくく、そのため実際に体内へ届く薬の量が制限されることがあります。製薬業界では、薬の溶解性を改善するために圧縮二酸化炭素を用いるより環境に優しい処理法へ注目が集まっています。本研究は、人工知能がそのようなシステム内で糖尿病薬がどのように振る舞うかを計算機上で予測できることを示し、実験による試行錯誤のコストを減らす手助けとなります。

溶解しにくい薬を作るよりクリーンな手法

製薬企業は、気体と液体の特性を併せ持つ特殊な状態である超臨界二酸化炭素に関心を持っています。この形態では、有害な有機溶媒に頼らずに薬を優しく微粒化して溶解性を高められます。重要な課題は、異なる温度や圧力でその特異な流体中にどれだけの薬が溶けるかを事前に予測することです。従来の熱力学式はこの予測を行えますが、新しい薬ごとに詳細な測定が必要であり、複数の化合物に横断的に再利用するのは簡単ではありません。

データから学ぶコンピュータ

研究者らは水に溶けにくい糖尿病治療薬グリベンクラミドに注目しました。彼らは、さまざまな温度と圧力の組み合わせ下でこの薬が超臨界CO₂中にどれだけ溶解するか、およびその条件下でのCO₂密度に関する既存の実験データを収集しました。このデータセットを用いて、温度と圧力という運転条件と、設計に重要な二つの出力（CO₂の密度とグリベンクラミドの溶解度）との関係を学習するために、三種類の人工ニューラルネットワークモデルを訓練しました。

自然に着想を得た手法で賢く調整

これらのニューラルネットワークから最良の性能を引き出すために、研究チームはトンボの集団行動（捕食や渡り）に着想を得た探索手法であるドラゴンフライアルゴリズムを用いました。モデルの全ての設定を総当たりで試す代わりに、このアルゴリズムは内部パラメータの有望な組み合わせへ探索を導きます。多くの設定が複雑に相互作用する場合に、新規探索と有望な候補の洗練をバランスよく行える点が特に有用です。

圧力と温度についてモデルが学んだこと

訓練の後、三つのモデルはいずれも測定された溶解度と密度の値にかなり近い予測を示し、比較的単純なネットワークである多層パーセプトロンが最も精度の高い予測を示しました。モデルは、圧力と温度を上げると一般にグリベンクラミドの超臨界CO₂中での溶解度が増す一方、温度の上昇は流体の密度を低下させる傾向があることを確認しました。予測から滑らかな表面や等高線マップを作成することで、これらの変数がどのように相互作用するかを可視化でき、圧力や温度の小さな変化が溶解度に強く影響する領域や、低圧で傾向が逆転する領域が明らかになりました。

一つの薬を越えて、より環境配慮した設計へ

このアプローチがグリベンクラミド固有のものかを検証するために、著者らは最も性能の良かったモデルを構造の異なる他の5つの薬の溶解度データで試しました。モデルは再び高い精度で超臨界CO₂中の溶解度を予測し、一つのケースを記憶しただけではなく一般的なパターンを捉えていることを示唆しました。これは、既存のデータと限定的な追加実験を用いるだけで、新しい医薬品向けの超臨界プロセスのスクリーニングや設計に実用的なツールとなり得ることを意味します。

患者と地球にとっての意義

簡単に言えば、本研究はコンピュータが過去の測定値からCO₂ベースのよりクリーンな処理で薬がどのように溶けるかを予測できることを示しています。これにより、過度な試行錯誤や廃棄を避けつつ溶解性を向上させる運転条件を見つけやすくなります。本研究はこれらの変化が患者に与える影響を直接評価するものではありませんが、溶けにくい薬をより使いやすくし、有害な溶媒を減らすことで医薬品開発と環境持続性の双方に貢献する基盤を築きます。

引用: 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

キーワード: 薬物溶解度, 超臨界CO2, 機械学習, 製薬プロセス, グリベンクラミド