Descubrimiento de formas sólidas farmacéuticas multicomponentes impulsado por el aprendizaje automático a través de...

Área de la Ciencia:

• Química farmacéutica del estado sólido
• Diseño computacional de fármacos
• Ciencias de los materiales

Sus antecedentes:

• El cribado experimental de sales y cocristales farmacéuticos requiere mucho tiempo e ineficacia.
• El ajuste de las propiedades de estado sólido de los medicamentos es crucial para la formulación y la biodisponibilidad.
• Los modelos predictivos pueden agilizar la identificación de las formas multicomponentes óptimas.

Objetivo del estudio:

• Desarrollar y validar un algoritmo de aprendizaje automático para predecir la formación de sales farmacéuticas, cocristales y mezclas físicas.
• Integrar las incorporaciones de gráficos moleculares y los descriptores físicoquímicos para una mayor precisión predictiva.
• Estimar la incertidumbre predictiva y superar las reglas empíricas tradicionales.

Principales métodos:

• Desarrollo del algoritmo DualNet Ensemble, un modelo de clasificación de varias clases.
• Formación en un conjunto de datos seleccionado de 22.298 entradas multicomponentes validadas experimentalmente.
• Integración de las incorporaciones de gráficos moleculares y descriptores físicoquímicos para la representación de características.

Principales resultados:

• Alcanzó un alto rendimiento en un conjunto de pruebas mantenido con un recuerdo macro promedio de 0,952 y una puntuación F1 de 0,940.
• Se ha demostrado una excelente eficiencia de calibración (ECE = 0,0161), superando la regla ΔpKa.
• Demostró una fuerte generalización a través de diversos compuestos y un exitoso estudio de caso prospectivo con ciprofloxacina.

Conclusiones:

• El algoritmo DualNet Ensemble ofrece una herramienta robusta, interpretable y experimentalmente confiable para acelerar el cribado de forma sólida multicomponente.
• Este enfoque computacional mejora significativamente la eficiencia de la identificación de las formas sólidas farmacéuticas deseadas.
• El poder predictivo y la estimación de la incertidumbre del modelo proporcionan una guía valiosa para los esfuerzos experimentales en el desarrollo de medicamentos.