Przyspieszone opracowywanie leków przy użyciu cyfrowego formulatora i samojezdnej linii do tabletkowania

Szybsze tabletki dla pacjentów

Kiedy odkryty zostaje nowy lek, przekształcenie go w prostą do połknięcia tabletkę może zająć lata i zużyć duże ilości cennego proszku aktywnego. Niniejsze badanie opisuje silnie zautomatyzowany sposób projektowania i wytwarzania tabletek, który ogranicza zarówno czas, jak i zużycie materiału, pomagając lekom dotrzeć do pacjentów szybciej i efektywniej.

Ukryte wąskie gardło po etapie odkrycia

Nowoczesne narzędzia sztucznej inteligencji pomagają dziś naukowcom szybciej niż wcześniej odkrywać kandydatów na leki i projektować badania kliniczne. W efekcie najwolniejszym etapem w dostarczaniu leków do pacjentów stało się przekształcanie drobnego proszku aktywnego w stabilną, bezpieczną tabletkę, którą można produkować na skalę przemysłową. Ten etap obejmuje wiele współzależnych decyzji dotyczących receptury, procesu i ustawień zakładu. Zmiana kursu na późnym etapie jest kosztowna, dlatego firmy potrzebują mądrzejszych decyzji podejmowanych wcześniej dotyczących tego, jak łączyć lek z pomocniczymi składnikami oraz jak prasować tabletki, by były wystarczająco wytrzymałe w obsłudze, a jednocześnie ulegały rozpadowi i rozpuszczały się w organizmie tak, jak zamierzono.

Cyfrowy formulator, który myśli naprzód

Badacze zbudowali „cyfrowy formulator”, który przewiduje zachowanie mieszaniny proszków, zanim ktokolwiek wymiesza gram materiału w laboratorium. Zamiast zapamiętywać konkretne substancje chemiczne, modele uczą się na podstawie podstawowych cech fizycznych, takich jak rozmiar cząstek, kształt i gęstość. Korzystając z biblioteki powszechnych składników do tabletek, system testuje tysiące wirtualnych receptur in silico. Poszukuje kombinacji, które prawdopodobnie będą płynnie przepływać przez maszyny, jednocześnie tworząc tabletki o docelowej wytrzymałości i porowatości — kluczowych miarach tego, jak dobrze tabletka zniesie manipulację, a mimo to rozpadnie się w żołądku. Głębokie sieci neuronowe wytrenowane na ponad tysiącu eksperymentalnych punktów danych potrafią przewidzieć porowatość i wytrzymałość tabletki oraz ich niepewność dla nowych leków, których właściwości mieszczą się w obszarze objętym nauką modeli.

Samojezdna linia do tabletkowania

Gdy cyfrowy formulator proponuje optymalną recepturę i początkowe ustawienia prasy, przejmuje ją „samojezdna fabryka danych do tabletkowania”. Ten system na stoliku łączy dozowanie proszku, transport, prasowanie tabletek i testowanie przy pomocy dwóch ramion robotycznych oraz komputera orkiestrującego. Platforma waży każdą dawkę proszku, rejestruje widma w podczerwieni bliskiej (NIR) w celu sprawdzenia jednorodności mieszanki, formuje pojedyncze tabletki, a następnie automatycznie mierzy wagę, wymiary i siłę łamania. Wbudowany system decyzyjny odrzuca tabletki poza specyfikacją i uruchamia kroki czyszczenia, aby uniknąć krzyżowego zanieczyszczenia między recepturami. Przez cały czas dane z każdego etapu są przesyłane do centralnego kontrolera, który utrzymuje proces w ruchu przy minimalnym udziale człowieka.

Nauka właściwego ciśnienia przy mniejszej liczbie prób

Aby dopracować ustawienia prasy, zespół użył strategii optymalizacji informowanej fizyką. Metoda łączy proste równania fizyczne opisujące, jak proszki się zbijają, z warstwą uczenia maszynowego proponującą kolejny najlepszy eksperyment. Dla dziewięciu różnych studiów przypadku obejmujących sześć leków, dostosowano główne ciśnienie kompresji, aby osiągnąć docelową porowatość tabletki przy jednoczesnym utrzymaniu wytrzymałości powyżej określonego progu. W każdym przypadku do skalibrowania modeli potrzebna była tylko garstka testowych tabletek, a finalne tabletki spełniały kryteria produkcyjne i rozpadu dla produktów o natychmiastowym uwalnianiu. Badanie wykorzystało też modele cyfrowe do zbadania, jak różne wzory rozmiarów cząstek wpływają na przepływ proszku i wytrzymałość tabletki, potwierdzając i kwantyfikując reguły, na których formulatorzy opierali się wcześniej głównie na doświadczeniu.

Co to oznacza dla przyszłych leków

Ścisłe sprzężenie modeli predykcyjnych z zautomatyzowaną linią do wytwarzania tabletek skraca drogę od pomiarów surowego proszku do akceptowalnych tabletek do około sześciu godzin, przy użyciu około jednej trzeciej materiału aktywnego wymaganego przez obecne najlepsze praktyki. Chociaż konfiguracja nadal ma praktyczne ograniczenia i nie jest jeszcze gotowym rozwiązaniem fabrycznym, wskazuje na przyszłość, w której projektowanie i testowanie receptur tabletek będzie szybsze, bardziej oparte na danych i mniej marnotrawne. Dla pacjentów takie narzędzia mogą oznaczać płynniejsze przechodzenie większej liczby leków od etapu odkrycia do półki aptecznej, przy lepszym wykorzystaniu czasu, know‑how i rzadkich substancji leczniczych.

Cytowanie: 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

Słowa kluczowe: formulacja tabletek, samojezdne laboratorium, cyfrowy formulator, automatyzacja farmaceutyczna, produkcja leków