使用数字制剂师与自驱动制片数据工厂加速药物开发

为患者加快片剂进程

当一种新药被发现后，将其制成可口服的片剂可能需要数年时间并消耗大量珍贵的药粉。本研究描述了一种高度自动化的片剂设计与制造方法，既缩短了时间又减少了材料使用，帮助药物更快、更高效地到达人群。

发现之后的隐性瓶颈

现代人工智能工具现在可帮助科学家更快地发现候选药物并设计临床试验。因此，将药物推向患者的最慢环节已转移到化学家和工程师将细粉末转化为可规模生产的稳定、安全片剂的阶段。此步骤涉及关于配方、加工路线和工厂设置的众多相互关联的决策。后期改变方向代价高昂，因此企业需要更聪明、更早地决定如何将药物与助剂混合，以及如何压制出既足够坚固以便处理又能按预期在体内崩解和溶解的片剂。

会前瞻性思考的数字制剂师

研究团队构建了一个“数字制剂师”，它能够在实验室里混合出一克样品之前预测粉末混合物的性能。模型不是记忆具体化学物质，而是从粒度、形状和密度等基本物理特性中学习。利用常用片剂成分库，系统在计算机中测试数千种虚拟配方。它寻找那些有望在设备中顺畅流动并形成达到目标强度和孔隙率的片剂的组合——这些是评估片剂在搬运中能否保持完整同时在胃中仍能崩解的重要指标。基于超过一千个实验数据点训练的深度神经网络，可以预测片剂的孔隙率和强度及其不确定性，适用于性质落在已学空间内的新药。

自驱动制片线

一旦数字制剂师提出了最优配方和初始压片设置，“自驱动制片数据工厂”就会接手。该台式系统通过两臂机器人和一个协调控制计算机连接粉末计量、运输、压片和检测。平台称量每次粉剂投料、记录近红外光谱以检查混合一致性、压制单片，然后自动测量重量、尺寸和破碎强度。内置决策系统会丢弃不合格片剂并触发清洁步骤以避免配方间交叉污染。整个过程中，每一步的数据都被传输到中央控制器，使流程在最少人工干预下持续运行。

用更少试验学会合适压力

为了微调压片设置，团队采用了一种带物理约束的优化策略。该方法将粉末压实的简单物理方程与提出下一个最佳实验的机器学习层相结合。针对六种药物的九个不同案例研究，它调整了主要压缩压力以达到目标片剂孔隙率，同时将强度保持在设定阈值之上。每个案例中，仅需少量测试片就能校准模型，最终片剂均满足即释产品的制造和崩解标准。研究还利用数字模型探讨了不同粒度分布如何影响粉末流动性和片剂强度，验证并量化了配方师过去主要基于经验依赖的规则。

对未来药物的意义

通过将预测模型与自动化制片线紧密耦合，该平台将从原始粉末测量到合格片剂的流程缩短到约六小时，同时使用的药物材料约为现行最佳实践的三分之一。尽管该系统仍有实际限制并尚未达到工厂级可用水平，但它指向了一个更快、更数据驱动且更少浪费的片剂配方设计与测试的未来。对患者而言，这类工具可能意味着更多药物能更顺利地从发现阶段走到药房货架，更高效地利用时间、专业知识和稀缺药物物质。

引用: 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

关键词: 片剂配方, 自驱动实验室, 数字制剂师, 制药自动化, 药物制造