在超临界工艺下利用人工智能计算对药物溶解度估算的先进模拟与数值评估

这对未来药物意味着什么

许多现代药物在水中溶解性差，这会限制实际到达体内的有效剂量。药物制造商正在转向使用压缩二氧化碳等更环保的工艺来改善药物溶解性。本研究展示了人工智能如何在计算机上预测一种抗糖尿病药物在此类体系中的表现，从而减少实验室中耗时且昂贵的反复试验。

制备难溶药物的更清洁方法

制药公司对超临界二氧化碳很感兴趣，这是一种在高压下既表现出气体又表现出液体特性的CO2状态。在这种形式下，它可以温和地将药物转化为更易溶解的微粒，而无需依赖有毒的有机溶剂。一个关键挑战是事先知道在不同温度和压力下特定药物在这种非常规流体中的溶解量。传统的热力学公式可以做到这一点，但它们需要针对每种新药进行详细测量，且难以在多种化合物之间通用。

让计算机从数据中学习

研究人员聚焦于格列本脲，这是一种水溶性差的糖尿病治疗药物。他们收集了现有的实验数据，这些数据记录了在多种温度和压力组合下该药物在超临界CO2中的溶解量，以及在这些条件下CO2的密度。基于该数据集，他们训练了三类人工神经网络模型，以学习运行条件（温度和压力）与两个设计相关输出之间的关系：CO2的密度和格列本脲的溶解度。

用自然启发的工具进行更智能的调优

为了获得这些神经网络的最佳表现，团队使用了一种称为蜻蜓算法的搜索方法，该算法受蜻蜓在群体中捕食和迁徙时的运动启发。与通过穷举测试每一种可能的模型设置不同，该算法引导搜索朝有前景的参数组合移动。它在探索新选项与精炼已有良好选项之间取得平衡，这在许多设置相互作用且关系复杂时尤其有用。

模型对压力与温度的学习结果

训练后，所有三种模型都能较好地拟合测量到的溶解度和密度值，其中一种相对简单的网络——多层感知器（MLP）给出最精确的预测。模型证实，提高压力和温度通常会增加格列本脲在超临界CO2中的溶解度，而较高温度则倾向于降低流体的密度。通过从预测结果构建平滑的表面图和等高线图，作者可以可视化这些变量如何相互作用，揭示在某些区域压力或温度的小幅变化会对溶解度产生强烈影响，或在低压下趋势出现反转的情形。

超越单一药物，迈向更环保的设计

为检验其方法是否仅适用于格列本脲，作者将表现最佳的模型用于五种结构不同的其他药物的溶解度数据进行测试。该模型再次以高精度预测了这些药物在超临界CO2中的溶解度，表明它捕捉到了普遍规律而非记忆化单一病例。这意味着它有望成为一种实用工具，利用现有数据并辅以有限额外实验来筛选和设计新药的超临界工艺。

对患者与地球的意义

简而言之，这项工作表明计算机可以仅凭已有测量数据学习并预测药物在基于CO2的更清洁工艺中的溶解行为。这使得科学家更容易找到能提高溶解度的操作条件，减少过度试错和废弃物。尽管该研究并未直接测试这些变化对患者的影响，但它为让难溶药物更易用并以更少有害溶剂的方式实现这一目标奠定了基础，有利于药物开发与环境可持续性。

引用: 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

关键词: 药物溶解度, 超临界CO2, 机器学习, 制药工艺, 格列本脲