AI ma ograniczyć metodę prób i błędów w druku 3D leków

Największą barierą farmaceutycznego druku 3D nie zawsze jest sama drukarka. Znacznie trudniejsze bywa opracowanie materiału, który da się stabilnie przetwarzać, zawiera odpowiednią ilość API, zachowuje właściwości podczas ogrzewania i jednocześnie zapewnia wymagany profil uwalniania. W Stanach Zjednoczonych rozpoczęto projekt badawczy, w którym sztuczna inteligencja ma pomóc technologom dobierać substancje pomocnicze i parametry procesu do formulacji przeznaczonych do druku 3D.

Amerykański zespół farmaceutów i technologów rozwija bazę wiedzy, która ma uczyć się zależności pomiędzy właściwościami API, excipientów i materiałów stosowanych w procesie. Celem nie jest automatyczne „projektowanie leku przez AI”, lecz stworzenie narzędzia wspierającego wstępny screening formulacji i ograniczającego liczbę kombinacji, które trzeba później sprawdzić eksperymentalnie.

Problem zaczyna się przed uruchomieniem drukarki

W technologiach takich jak Fused Deposition Modeling mieszanina API i substancji pomocniczych może być najpierw przetwarzana w procesie hot-melt extrusion. Powstający filament musi spełnić wiele wymagań jednocześnie: odpowiednią elastyczność, wytrzymałość mechaniczną, stabilność termiczną i właściwości przepływowe.

Nie wszystkie polimery mogą być stosowane z każdym API, a zmiana jednego parametru może wpływać na kilka innych. Zbyt sztywny filament będzie pękał, zbyt miękki może mieć problem z podawaniem, a zbyt wysoka temperatura przetwarzania może prowadzić do degradacji substancji czynnej.

To tworzy ogromną liczbę potencjalnych kombinacji. W klasycznym development technolog przygotowuje kolejne mieszaniny, ekstruduje materiał, bada właściwości mechaniczne i dopiero potem przechodzi do druku. Model predykcyjny mógłby ograniczyć tę przestrzeń do najbardziej obiecujących wariantów.

AI jako narzędzie R&D, nie zastępstwo technologa

W projekcie rozwijanym w USA model ma łączyć informacje o substancjach czynnych, excipientach i parametrach procesu. Z czasem baza danych mogłaby wskazywać, jakie klasy polimerów lub dodatków mają największą szansę współpracować z określonym API.

Nie zmienia to jednak podstawowej zasady formulacji farmaceutycznej: wynik algorytmu nadal musi zostać potwierdzony eksperymentalnie. Potrzebne będą badania stabilności, mechaniki materiału, uwalniania i jakości gotowej postaci.

W praktyce największą wartością AI może więc być redukcja liczby nietrafionych prób. Jeżeli zamiast kilkudziesięciu kombinacji technolog musi przetestować pięć najbardziej prawdopodobnych, skraca się czas developmentu i zmniejsza zużycie API oraz excipientów.

Druk 3D przesuwa się w stronę pełnego procesu technologicznego

Rozwój addytywnego wytwarzania w farmacji coraz mniej koncentruje się na samym fakcie „wydrukowania tabletki”. Coraz ważniejsze staje się połączenie formulacji, przygotowania materiału, ekstruzji, parametrów drukowania oraz kontroli jakości w jeden spójny proces.

Amerykańskie zespoły badawcze pracują zarówno nad filamentami, jak i rozwiązaniami pozwalającymi pominąć część klasycznych etapów i bezpośrednio przetwarzać proszek w drukowaną postać. To pokazuje, że celem nie jest stworzenie efektownego prototypu, lecz znalezienie drogi do powtarzalnego i potencjalnie skalowalnego procesu.

W tym miejscu AI może pełnić rolę narzędzia porządkującego dużą liczbę zmiennych. Model może w przyszłości uwzględniać nie tylko skład mieszaniny, lecz także temperaturę ekstruzji, lepkość, parametry filamentu, geometrię drukowanej postaci i profil uwalniania.

Personalizacja to dopiero jedna z korzyści

Druk 3D jest najczęściej przedstawiany jako technologia umożliwiająca personalizację dawki. Dla przemysłu równie interesujące może być jednak bardziej elastyczne wytwarzanie niewielkich serii, szybkie zmiany geometrii produktu oraz możliwość modyfikacji profilu uwalniania bez przebudowy całej klasycznej linii tabletkowej.

Do tego potrzebne są jednak stabilne surowce, odpowiednio scharakteryzowane excipienty oraz proces, który można zwalidować. Dlatego projektowanie „biblioteki” materiałów i danych procesowych może być równie ważne jak rozwój samych drukarek.

Najbardziej realistyczny scenariusz nie zakłada więc, że AI będzie samodzielnie tworzyć leki na żądanie. Bardziej prawdopodobne jest, że stanie się kolejnym narzędziem technologa formulacji, pomagającym szybciej przechodzić od dużej liczby potencjalnych kombinacji do kilku najlepiej rokujących rozwiązań.