Simulação avançada e avaliação numérica da estimativa de solubilidade farmacêutica sob processamento supercrítico usando cálculos de inteligência artificial

Por que isso importa para os medicamentos do futuro

Muitos medicamentos modernos não se dissolvem bem em água, o que pode limitar a quantidade de princípio ativo que realmente alcança o organismo. As indústrias farmacêuticas estão adotando métodos de processamento mais verdes que usam dióxido de carbono comprimido para melhorar a dissolução dos fármacos. Este estudo mostra como a inteligência artificial pode ajudar a prever, por meio de simulação, como um remédio para diabetes se comporta nesse sistema, reduzindo o custo e o tempo de tentativas e erros em laboratório.

Uma forma mais limpa de fabricar fármacos de baixa solubilidade

As empresas farmacêuticas interessam-se pelo dióxido de carbono supercrítico, um estado especial do CO₂ em que ele se comporta parcialmente como gás e parcialmente como líquido. Nessa forma, ele pode transformar os fármacos em partículas muito pequenas que dissolvem melhor, sem depender de solventes orgânicos tóxicos. Um desafio central é saber antecipadamente quanto de um dado fármaco se dissolverá nesse fluido incomum em diferentes temperaturas e pressões. Fórmulas termodinâmicas tradicionais podem estimar isso, mas exigem medições detalhadas para cada novo composto e não são fáceis de reaplicar a muitos fármacos.

Deixar os computadores aprenderem com os dados

Os pesquisadores concentraram-se na glibenclamida, um medicamento pouco solúvel em água usado no tratamento do diabetes. Eles reuniram medições experimentais existentes de quanto desse fármaco se dissolve em CO₂ supercrítico sob várias combinações de temperatura e pressão, junto com a densidade do CO₂ nessas condições. Com esse conjunto de dados, treinaram três tipos de modelos de redes neurais artificiais para aprender a relação entre as condições operacionais (temperatura e pressão) e duas saídas relevantes para o projeto: a densidade do CO₂ e a solubilidade da glibenclamida.

Ajuste mais inteligente com uma ferramenta inspirada na natureza

Para obter o melhor desempenho dessas redes neurais, a equipe usou um método de busca chamado Algoritmo Dragonfly, inspirado no modo como libélulas se movem em grupos ao caçar e migrar. Em vez de testar exaustivamente todas as combinações possíveis de parâmetros, esse algoritmo orienta a busca para combinações promissoras. Ele equilibra explorar novas opções e refinar as boas, o que é especialmente útil quando muitos ajustes interagem de formas complexas.

O que os modelos aprenderam sobre pressão e temperatura

Após o treinamento, os três modelos conseguiram reproduzir de perto os valores medidos de solubilidade e densidade, com uma rede relativamente simples conhecida como perceptron multicamada fornecendo as previsões mais acuradas. Os modelos confirmaram que aumentar a pressão e a temperatura geralmente eleva a quantidade de glibenclamida que pode se dissolver no CO₂ supercrítico, enquanto a temperatura mais alta tende a reduzir a densidade do fluido. Ao construir superfícies suaves e mapas de contorno a partir das previsões, os autores visualizaram como essas variáveis interagem, revelando zonas em que pequenas alterações de pressão ou temperatura têm efeitos fortes sobre a solubilidade ou onde a tendência se inverte em baixas pressões.

Além de um fármaco e rumo a um projeto mais verde

Para verificar se a abordagem dependia apenas da glibenclamida, os autores testaram o modelo de melhor desempenho com dados de solubilidade de cinco outros fármacos com estruturas diferentes. O modelo previu novamente a solubilidade em CO₂ supercrítico com alta precisão, sugerindo que captura padrões gerais em vez de memorizar um único caso. Isso indica que ele pode se tornar uma ferramenta prática para triagem e projeto de processos supercríticos para novos medicamentos, usando principalmente dados existentes e experimentos adicionais limitados.

O que isso significa para pacientes e para o planeta

Em termos simples, este trabalho mostra que computadores podem aprender a prever como um fármaco se dissolverá em um processo mais limpo à base de CO₂ apenas a partir de medições anteriores. Isso facilita para os cientistas encontrarem condições operacionais que melhorem a solubilidade sem excesso de tentativas e erros ou desperdício. Embora o estudo não avalie diretamente como essas mudanças afetam os pacientes, ele estabelece a base para tornar fármacos de difícil formulação mais utilizáveis e fazê-lo com menos solventes nocivos, beneficiando tanto o desenvolvimento de medicamentos quanto a sustentabilidade ambiental.

Citação: 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

Palavras-chave: solubilidade de fármacos, CO2 supercrítico, aprendizado de máquina, processamento farmacêutico, glibenclamida