Versnelde geneesmiddelontwikkeling met een digitale formulator en een zelfsturende tabletten-databank

Snellere pillen voor patiënten

Wanneer een nieuw medicijn wordt ontdekt, kan het jaren duren en veel kostbaar geneesmiddelpulver vergen om het om te zetten in een eenvoudig doorslikbare tablet. Deze studie beschrijft een sterk geautomatiseerde manier om tabletten te ontwerpen en te vervaardigen die zowel tijd als materiaalgebruik vermindert, waardoor geneesmiddelen sneller en efficiënter bij patiënten kunnen komen.

De verborgen knelpunt na ontdekking

Moderne hulpmiddelen voor kunstmatige intelligentie helpen wetenschappers nu om kandidaat-geneesmiddelen te ontdekken en klinische proeven veel sneller te ontwerpen dan voorheen. Daardoor is het traagste deel in het leveren van medicijnen aan patiënten verschoven naar de fase waarin chemici en ingenieurs moeten uitzoeken hoe een fijn geneesmiddelpulver in een stabiele, veilige tablet wordt omgezet die op schaal geproduceerd kan worden. Deze stap omvat veel onderling verbonden beslissingen over receptuur, verwerkingsroute en fabrieksinstellingen. Laat in het proces van koers veranderen is kostbaar, dus bedrijven hebben slimmere, vroegere keuzes nodig over hoe het geneesmiddel met hulpstoffen te mengen en hoe het te persen tot tabletten die sterk genoeg zijn om te hanteren maar toch uit elkaar vallen en oplossen in het lichaam zoals bedoeld.

Een digitale formulator die vooruit denkt

De onderzoekers bouwden een “digitale formulator” die voorspelt hoe een poedermengsel zich zal gedragen voordat er ook maar een gram in het lab wordt gemengd. In plaats van specifieke chemische stoffen te onthouden, leren de modellen van basale fysieke eigenschappen zoals de deeltjesgrootte, vorm en dichtheid. Met een bibliotheek van gangbare tablettingrediënten test het systeem duizenden virtuele recepten in silico. Het zoekt naar combinaties die waarschijnlijk soepel door machines zullen stromen en tegelijkertijd tabletten vormen die een doelsterkte en porositeit bereiken, sleutelparameters voor hoe goed een tablet omgaan kan en toch in de maag uiteenvalt. Diepe neurale netwerken, getraind op meer dan duizend experimentele datapunten, kunnen voor nieuwe geneesmiddelen waarvan de eigenschappen binnen de geleerde ruimte vallen, porositeit en sterkte van tabletten voorspellen, inclusief onzekerheidsinschattingen.

Een zelfsturende tabletlijn

Zodra de digitale formulator een optimaal recept en beginpersinstellingen voorstelt, neemt een “zelfsturende tabletten-databank” het over. Dit bankstation koppelt poederdosering, transport, tabletpersen en testen via twee robotarmen en een orkestratiecomputer. Het platform weegt elke portie poeder, registreert nabij-infraroodspectra om menguniformiteit te controleren, perst individuele tabletten en meet vervolgens automatisch gewicht, afmetingen en breekkracht. Een ingebouwd beslissysteem verwijdert tabletten buiten specificatie en activeert reinigingsstappen om kruiscontaminatie tussen recepten te voorkomen. Gedurende het hele proces worden gegevens van elke stap naar een centrale controller gestreamd, die het proces met minimale menselijke tussenkomst draaiende houdt.

De juiste druk leren met minder proeven

Om de persinstellingen fijn af te stemmen gebruikte het team een fysica-geïnformeerde optimalisatiestrategie. Deze methode combineert eenvoudige fysische vergelijkingen over hoe poeders compacten met een machine-learninglaag die het volgende beste experiment voorstelt. Voor negen verschillende casestudies met zes geneesmiddelen stelde het de belangrijkste compressiedruk bij om een doelporositeit van de tablet te bereiken terwijl de sterkte boven een vastgestelde drempel bleef. In elk geval waren slechts een handvol testtabletten nodig om de modellen te kalibreren, en de eindtabletten voldeden allemaal aan de productie- en disintegratiecriteria voor direct afgifte producten. De studie gebruikte ook de digitale modellen om te verkennen hoe verschillende patronen van deeltjesgrootte de poederstroom en tabletsterkte beïnvloeden, waarmee regels bevestigd en gekwantificeerd werden waarop formulatoren voorheen vooral op ervaring vertrouwden.

Wat dit betekent voor toekomstige geneesmiddelen

Door voorspellende modellen nauw te koppelen aan een geautomatiseerde tabletlijn verkleint dit platform de reis van ruwe poedermetingen naar aanvaardbare tabletten tot ongeveer zes uur terwijl het ongeveer een derde van het geneesmiddelmateriaal gebruikt dat volgens de huidige beste praktijken nodig is. Hoewel de opstelling nog praktische beperkingen heeft en nog niet fabrieksklaar is, wijst het op een toekomst waarin het ontwerpen en testen van tabletrecepturen sneller, datarijker en minder verspilling veroorzaakt. Voor patiënten kunnen dergelijke hulpmiddelen ertoe leiden dat meer geneesmiddelen soepeler van ontdekking naar de apotheek gaan, met beter gebruik van tijd, expertise en schaarse geneesmiddelstoffen.

Bronvermelding: Abbas, F., Salehian, M., Hou, P. et al. Accelerated drug development using a digital formulator and a self-driving tableting data factory. Nat Commun 17, 4739 (2026). https://doi.org/10.1038/s41467-026-71204-6

Trefwoorden: tabletformulering, zelfsturend laboratorium, digitale formulator, farmaceutische automatisering, geneesmiddelenproductie