Zaawansowana symulacja i numeryczna ocena estymacji rozpuszczalności farmaceutycznej w procesach nadkrytycznych z wykorzystaniem obliczeń sztucznej inteligencji

Dlaczego to ma znaczenie dla przyszłych leków

Wiele współczesnych leków słabo rozpuszcza się w wodzie, co może ograniczać ilość substancji czynnej docierającej do organizmu. Producenci leków zwracają się ku bardziej ekologicznym metodom przetwarzania wykorzystującym sprężony dwutlenek węgla, aby poprawić rozpuszczalność substancji. Badanie pokazuje, jak sztuczna inteligencja może pomóc przewidzieć na komputerze zachowanie leku przeciwcukrzycowego w takim systemie, co może ograniczyć kosztowne próby i błędy w laboratorium.

Czystszy sposób wytwarzania leków trudno rozpuszczalnych

Firmy farmaceutyczne interesują się nadkrytycznym dwutlenkiem węgla, szczególnym stanem CO2, w którym wykazuje on cechy zarówno gazu, jak i cieczy. W tej formie może delikatnie przekształcać leki w drobne cząstki, które lepiej się rozpuszczają, bez użycia toksycznych rozpuszczalników organicznych. Kluczowym wyzwaniem jest jednak wcześniejsze określenie, jaka ilość danego leku rozpuści się w tym nietypowym płynie przy różnych temperaturach i ciśnieniach. Tradycyjne formuły termodynamiczne potrafią to oszacować, lecz wymagają szczegółowych pomiarów dla każdego nowego leku i nie są łatwe do ponownego użycia dla wielu związków.

Pozwolić komputerom uczyć się na danych

Badacze skupili się na glibenklamidzie, słabo rozpuszczalnym w wodzie leku stosowanym w leczeniu cukrzycy. Zebrali istniejące eksperymentalne pomiary ilości tej substancji rozpuszczanej w nadkrytycznym CO2 przy wielu kombinacjach temperatury i ciśnienia oraz dane o gęstości CO2 w tych warunkach. Korzystając z tego zestawu danych, wytrenowali trzy typy modeli sztucznych sieci neuronowych, aby nauczyły się związku między warunkami pracy (temperatura i ciśnienie) a dwoma istotnymi wyjściami projektowymi: gęstością CO2 i rozpuszczalnością glibenklamidu.

Sprytniejsze strojenie za pomocą narzędzia inspirowanego naturą

Aby uzyskać najlepszą wydajność sieci neuronowych, zespół zastosował metodę poszukiwania nazwaną Algorytmem ważek, inspirowaną sposobem poruszania się ważek w grupach podczas polowań i migracji. Zamiast sprawdzać wszystkie możliwe ustawienia modeli metodą brutalnej siły, algorytm prowadzi poszukiwania w kierunku obiecujących kombinacji parametrów wewnętrznych. Równoważy eksplorację nowych opcji z doskonaleniem tych dobrych, co jest szczególnie przydatne, gdy wiele ustawień wchodzi ze sobą w złożone interakcje.

Czego modele nauczyły się o ciśnieniu i cieple

Po treningu wszystkie trzy modele były w stanie dokładnie dopasować się do zmierzonych wartości rozpuszczalności i gęstości, a najprostsza sieć znana jako perceptron wielowarstwowy dała najdokładniejsze prognozy. Modele potwierdziły, że zwiększanie ciśnienia i temperatury zazwyczaj zwiększa ilość rozpuszczalnego glibenklamidu w nadkrytycznym CO2, podczas gdy wyższa temperatura ma tendencję do zmniejszania gęstości płynu. Budując gładkie powierzchnie i mapy konturowe z przewidywań, autorzy mogli wizualizować interakcje tych zmiennych, ujawniając obszary, gdzie niewielkie zmiany ciśnienia lub temperatury silnie wpływają na rozpuszczalność, oraz miejsca, w których trend odwraca się przy niskim ciśnieniu.

Poza jednym lekiem i w kierunku bardziej zielonego projektowania

Aby sprawdzić, czy ich podejście jest związane tylko z glibenklamidem, autorzy przetestowali najlepiej działający model na danych rozpuszczalności dla pięciu innych leków o różnych strukturach. Model ponownie przewidział rozpuszczalność w nadkrytycznym CO2 z wysoką dokładnością, co sugeruje, że uchwycił ogólne wzorce zamiast zapamiętać pojedynczy przypadek. Oznacza to, że może stać się praktycznym narzędziem do przesiewania i projektowania procesów nadkrytycznych dla nowych leków, wykorzystując głównie istniejące dane i ograniczoną liczbę dodatkowych eksperymentów.

Co to oznacza dla pacjentów i planety

Mówiąc prosto, praca ta pokazuje, że komputery mogą nauczyć się przewidywać, jak lek rozpuści się w czystszym procesie opartym na CO2, bazując jedynie na dotychczasowych pomiarach. Ułatwia to naukowcom znalezienie warunków pracy dających lepszą rozpuszczalność bez nadmiernych prób i błędów czy odpadów. Chociaż badanie nie testuje bezpośrednio, jak te zmiany wpływają na pacjentów, stanowi ono podstawę do uczynienia trudno rozpuszczalnych leków bardziej użytecznymi i do osiągania tego przy mniejszym użyciu szkodliwych rozpuszczalników, co wspiera zarówno rozwój medycyny, jak i zrównoważenie środowiskowe.

Cytowanie: 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

Słowa kluczowe: rozpuszczalność leku, CO2 nadkrytyczny, uczenie maszynowe, przetwarzanie farmaceutyczne, glibenklamid