Продвинутая имитация и численная оценка оценки растворимости фармацевтических препаратов при сверхкритической обработке с использованием вычислений искусственного интеллекта

Почему это важно для будущих лекарств

Многие современные препараты плохо растворимы в воде, что ограничивает количество активного вещества, попадающего в организм. Производители лекарств переходят на более экологичные методы обработки с использованием сжатого углекислого газа, чтобы улучшить растворимость. В этом исследовании показано, как искусственный интеллект может помочь на компьютере предсказать поведение препарата для лечения диабета в такой системе, чтобы сократить дорогостоящие эксперименты методом проб и ошибок в лаборатории.

Более чистый способ получения труднорастворимых препаратов

Фармацевтические компании интересуются сверхкритическим углекислым газом — особым состоянием CO₂, при котором он ведет себя и как газ, и как жидкость. В этой форме он может аккуратно преобразовывать препараты в крошечные частицы, которые лучше растворяются, без использования токсичных органических растворителей. Ключевая проблема — заранее знать, сколько данного препарата растворится в этой необычной среде при различных температурах и давлениях. Традиционные термодинамические формулы способны это предсказать, но для каждой новой молекулы требуются детальные измерения, и их трудно перенастроить под множество соединений.

Позволив компьютерам учиться на данных

Исследователи сосредоточились на глибенкламиде, плохо растворимом в воде препарате для лечения диабета. Они собрали существующие экспериментальные данные о том, сколько этого препарата растворяется в сверхкритическом CO₂ при многих сочетаниях температуры и давления, а также о плотности CO₂ в этих условиях. С помощью этого набора данных они обучили три типа искусственных нейронных сетей, чтобы установить связь между рабочими условиями (температура и давление) и двумя величинами, важными для проектирования: плотностью CO₂ и растворимостью глибенкламида.

Умная настройка при помощи инструмента, вдохновленного природой

Чтобы добиться наилучшей работы этих нейросетей, команда использовала метод поиска под названием алгоритм Dragonfly, вдохновленный тем, как стрекозы движутся в группах при охоте и миграции. Вместо того чтобы перебрать все возможные настройки моделей методом грубой силы, этот алгоритм направляет поиск к перспективным сочетаниям внутренних параметров. Он балансирует между исследованием новых вариантов и доработкой удачных, что особенно полезно, когда многие настройки взаимодействуют сложным образом.

Чему модели научились о давлении и температуре

После обучения все три модели смогли точно повторить измеренные значения растворимости и плотности, при этом относительно простая сеть, известная как многослойный персептрон, дала самые точные прогнозы. Модели подтвердили, что повышение давления и температуры в целом увеличивает растворимость глибенкламида в сверхкритическом CO₂, тогда как более высокая температура склонна снижать плотность среды. Построив гладкие поверхности и карты уровня на основе предсказаний, авторы визуализировали, как эти переменные взаимодействуют, выявив зоны, где небольшие изменения давления или температуры сильно влияют на растворимость, а также участки, где тренд меняется при низком давлении.

Не только один препарат и в сторону более экологичного проектирования

Чтобы проверить, не ограничивается ли их подход глибенкламидом, авторы протестировали лучшую модель на данных по растворимости еще пяти препаратов с разной структурой. Модель снова предсказала растворимость в сверхкритическом CO₂ с высокой точностью, что говорит о том, что она захватывает общие закономерности, а не запоминает один случай. Это означает, что она может стать практичным инструментом для скрининга и проектирования сверхкритических процессов для новых лекарств, опираясь в основном на существующие данные и ограниченное число дополнительных экспериментов.

Что это значит для пациентов и планеты

Проще говоря, работа показывает, что компьютеры могут научиться предсказывать, как препарат будет растворяться в более чистом процессе на основе CO₂, опираясь лишь на прошлые измерения. Это упрощает поиск рабочих условий, дающих лучшую растворимость, без чрезмерного метода проб и ошибок и лишних отходов. Хотя исследование напрямую не проверяет, как эти изменения влияют на пациентов, оно закладывает основу для того, чтобы делать труднорастворимые препараты более применимыми и при этом использовать меньше вредных растворителей, что полезно и для разработки лекарств, и для экологической устойчивости.

Цитирование: 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

Ключевые слова: растворимость лекарств, сверхкритический CO2, машинное обучение, фармацевтическая обработка, глибенкламид