制药产品的in silico配方优化和颗粒工程使用生成人工智能结构合成方法.

科学领域:

• 制药科学 制药科学
• 计算化学计算化学
• 材料科学 材料科学 材料科学

背景情况:

• 传统的制药配方开发是资源密集的,严重依赖实验室和动物研究.
• 开发有效的药物剂量形式需要对关键质量属性的精确控制.
• 数字化为加速和完善配方流程提供了一个潜在的解决方案.

研究的目的:

• 从示例图像创建数字药物产品模型的新型生成人工智能 (AI) 方法.
• 验证人工智能方法在预测关键质量属性和优化配方方面的能力.
• 展示人工智能的应用,以减少制药开发中的实验工作量.

主要方法:

• 利用由关键质量属性 (如粒子大小,药物加载) 指导的生成性AI图像生成器.
• 创建了药物产品的现实数字变体,用于in-silico分析和优化.
• 通过涉及口服药片和长效植入物的案例研究验证了该方法.

主要成果:

• 人工智能方法准确地预测了口服片中的4.2%微晶纤维素的透值.
• 生成的植入物配方,具有优化的药物加载和颗粒大小分布.
• 合成的数字结构显示了与真实样本相比的粒子大小分布和释放特性.

结论:

• 生成性人工智能为数字药物产品开发提供了强大的工具,可以进行准确的预测和优化.
• 这种人工智能驱动的方法可以显著减少与传统配方研究相关的时间和成本.
• 经过验证的方法有望加速新药剂型的发现和优化.