Avancerad simulering och numerisk utvärdering av uppskattning av läkemedelsslöslighet vid superkritisk bearbetning med hjälp av artificiell intelligens

Varför detta är viktigt för framtidens mediciner

Många moderna läkemedel löser sig dåligt i vatten, vilket kan begränsa hur mycket av läkemedlet som faktiskt når kroppen. Läkemedelstillverkare vänder sig till grönare processer som använder komprimerad koldioxid för att förbättra läkemedels löslighet. Denna studie visar hur artificiell intelligens kan hjälpa till att förutsäga, i datorn, hur ett läkemedel mot diabetes beter sig i ett sådant system så att kostsamma försök-och-fel i laboratoriet kan minskas.

En renare metod för svårt lösliga läkemedel

Läkemedelsföretag intresserar sig för superkritisk koldioxid, ett särskilt tillstånd av CO2 där den uppvisar egenskaper både som gas och vätska. I denna form kan den skonsamt omvandla läkemedel till mycket små partiklar som löser sig bättre, utan att förlita sig på giftiga organiska lösningsmedel. En nyckelutmaning är att på förhand veta hur mycket av ett visst läkemedel som kommer att lösa sig i denna ovanliga fluid vid olika temperaturer och tryck. Traditionella termodynamiska formler kan göra detta, men de kräver detaljerade mätningar för varje nytt läkemedel och är inte lätta att återanvända över många föreningar.

Att låta datorer lära av data

Forskarna fokuserade på glibenklamid, ett läkemedel med låg vattendropbarhet som används för att behandla diabetes. De samlade befintliga experimentella mätningar av hur mycket av detta läkemedel som löser sig i superkritisk CO2 under många kombinationer av temperatur och tryck, tillsammans med hur tät CO2 är under dessa förhållanden. Med denna datamängd tränade de tre typer av artificiella neurala nätverk för att lära sambandet mellan driftförhållandena (temperatur och tryck) och två utdata som är viktiga för utformning: CO2:s densitet och glibenklamids löslighet.

Smartare justering med ett naturinspirerat verktyg

För att få bästa möjliga prestanda från dessa neurala nätverk använde teamet en sökmetod kallad Dragonfly-algoritmen, inspirerad av hur trollsländor rör sig i grupper när de jagar och migrerar. Istället för att testa varje möjlig inställning av modellerna med brute force, leder denna algoritm sökningen mot lovande kombinationer av interna parametrar. Den balanserar mellan att utforska nya alternativ och förfina bra sådana, vilket är särskilt användbart när många inställningar interagerar på komplexa sätt.

Vad modellerna lärde sig om tryck och värme

Efter träning kunde alla tre modellerna nära nog matcha de uppmätta värdena för löslighet och densitet, där ett relativt enkelt nätverk känt som ett multilagerperceptron gav de mest exakta förutsägelserna. Modellerna bekräftade att högre tryck och temperatur i allmänhet ökar hur mycket glibenklamid kan lösas i superkritisk CO2, medan högre temperatur tenderar att sänka fluidens densitet. Genom att bygga släta ytor och konturkartor från förutsägelserna kunde författarna visualisera hur dessa variabler samverkar, och avslöjade zoner där små förändringar i tryck eller temperatur har starka effekter på lösligheten eller där trenden vänder vid lågt tryck.

Bortom ett läkemedel och mot grönare design

För att se om deras metod var knuten enbart till glibenklamid testade författarna den bäst presterande modellen på löslighetsdata för fem andra läkemedel med olika strukturer. Modellen förutsade återigen lösligheten i superkritisk CO2 med hög noggrannhet, vilket tyder på att den fångar generella mönster snarare än att memorera ett enskilt fall. Det innebär att den kan bli ett praktiskt verktyg för screening och utformning av superkritiska processer för nya läkemedel med hjälp av främst befintliga data och begränsade ytterligare experiment.

Vad detta betyder för patienter och planeten

Enkelt uttryckt visar detta arbete att datorer kan lära sig att förutsäga hur ett läkemedel kommer att lösa sig i en renare CO2-baserad process enbart från tidigare mätningar. Det gör det enklare för forskare att hitta driftförhållanden som ger bättre löslighet utan överdrivet försök-och-fel eller avfall. Även om studien inte direkt undersöker hur dessa förändringar påverkar patienter, banar den väg för att göra svårhanterliga läkemedel mer användbara och att göra det med färre skadliga lösningsmedel, vilket gynnar både läkemedelsutveckling och miljöhållbarhet.

Citering: 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

Nyckelord: läkemedelslöslighet, superkritisk CO2, maskininlärning, läkemedelsbearbetning, glibenklamid