Ускоренная разработка лекарств с помощью цифрового формулятора и автономной линии таблетирования

Более быстрые таблетки для пациентов

Когда открывают новое лекарство, превращение его в простую таблетку для проглатывания может занять годы и потребовать больших объёмов драгоценного порошка действующего вещества. В этом исследовании описан высокоавтоматизированный подход к проектированию и изготовлению таблеток, который сокращает как время, так и расход материалов, помогая лекарствам быстрее и эффективнее достигать пациентов.

Скрытое узкое место после открытия

Современные инструменты искусственного интеллекта теперь помогают учёным обнаруживать кандидаты в лекарства и проектировать клинические испытания значительно быстрее, чем раньше. В результате самым медленным этапом на пути лекарства к пациенту стал этап, где химики и инженеры выясняют, как превратить тонкий порошок в стабильную и безопасную таблетку, которую можно производить в масштабах. Этот шаг включает множество взаимосвязанных решений о рецептуре, технологическом маршруте и настройках фабрики. Изменение курса на поздней стадии обходится дорого, поэтому компаниям нужны более умные и более ранние решения о том, как смешивать активное вещество с вспомогательными компонентами и как прессовать таблетки так, чтобы они были достаточно прочными для обращения, но при этом раздóмывались и растворялись в организме согласно назначению.

Цифровой формулятор, который думает наперёд

Исследователи создали «цифровой формулятор», который предсказывает поведение порошковой смеси до того, как кто‑то смешает грамм в лаборатории. Вместо запоминания конкретных химикатов модели учатся на базовых физических свойствах, таких как размер частиц, форма и плотность. Используя библиотеку распространённых ингредиентов для таблеток, система тестирует тысячи виртуальных рецептов in silico. Она ищет комбинации, которые, вероятно, будут хорошо течь через оборудование и формировать таблетки с целевой прочностью и пористостью — ключевыми показателями того, насколько таблетка выдержит обращение и при этом будет разрушаться в желудке. Глубокие нейронные сети, обученные на более чем тысяче экспериментальных точек данных, могут прогнозировать пористость и прочность таблетки вместе с оценкой неопределённости для новых препаратов, свойства которых попадают в изученное пространство.

Самоуправляемая линия таблетирования

Как только цифровой формулятор предлагает оптимальную рецептуру и начальные настройки пресса, в дело вступает «самоуправляемая фабрика данных по таблетированию». Эта настольная система связывает дозирование порошка, транспортировку, прессование и тестирование через два роботизированных манипулятора и систему оркестрации. Платформа взвешивает каждую дозу порошка, фиксирует ближнеинфракрасные спектры для проверки однородности смеси, уплотняет отдельные таблетки, а затем автоматически измеряет массу, размеры и силу разрушения. Встроенная система принятия решений отбраковывает таблетки вне спецификации и запускает шаги по очистке, чтобы избежать перекрёстного загрязнения между рецептами. На протяжении всего процесса данные с каждого шага передаются в центральный контроллер, который поддерживает работу с минимальным участием человека.

Выбор правильного давления при меньшем числе испытаний

Для тонкой настройки параметров пресса команда использовала оптимизационную стратегию, информированную физикой. Этот метод сочетает простые физические уравнения компрессии порошков с уровнем машинного обучения, который предлагает следующий наилучший эксперимент. В девяти различных примерах, охватывающих шесть препаратов, он регулировал основное сжимающее давление, чтобы достичь целевой пористости таблетки при сохранении прочности выше установленного порога. В каждом случае для калибровки моделей потребовалось всего несколько тестовых таблеток, а итоговые таблетки соответствовали критериям производства и дезинтеграции для препаратов немедленного высвобождения. Исследование также использовало цифровые модели для изучения того, как разные распределения размеров частиц влияют на текучесть порошка и прочность таблетки, подтверждая и количественно оценивая правила, на которых формуляторы раньше в основном опирались на опыт.

Что это значит для будущих лекарств

Благодаря тесной связке предиктивных моделей с автоматизированной линией изготовления таблеток, эта платформа сокращает путь от измерений сырого порошка до приемлемых таблеток примерно до шести часов, при этом используя примерно треть материалов действующего вещества по сравнению с лучшими текущими практиками. Хотя установка всё ещё имеет практические ограничения и пока не готова к промышленному развертыванию, она указывает на будущее, в котором разработка и тестирование рецептур таблеток будет проходить быстрее, с большим количеством данных и меньшими отходами. Для пациентов такие инструменты могут означать большее число лекарств, плавно переходящих от этапа открытия на аптечную полку, с более эффективным использованием времени, экспертизы и дефицитных субстанций.

Цитирование: 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

Ключевые слова: формулирование таблеток, самоуправляемая лаборатория, цифровой формулятор, автоматизация фармацевтики, производство лекарств