I ricercatori sviluppano un nuovo stimatore basato sull’Intelligenza Artificiale per la produzione di medicinali.

I ricercatori sviluppano uno stimatore basato sull'IA per produrre medicinali.

Un team di ricerca collaborativo del Programma MIT-Takeda ha combinato fisica e apprendimento automatico per caratterizzare le superfici ruvide delle particelle in compresse e polveri farmaceutiche.

Quando le aziende mediche producono le pillole e le compresse che trattano qualsiasi tipo di malattia, dolore o disturbo, devono isolare il principio attivo farmaceutico da una sospensione e asciugarlo. Il processo richiede un operatore umano per monitorare un essiccatore industriale, agitare il materiale e osservare la composto fino a quando assume le giuste qualità per essere compresso in medicine. Il lavoro dipende molto dalle osservazioni dell’operatore.

I metodi per rendere quel processo meno soggettivo e molto più efficiente sono oggetto di un recente articolo di Nature Communications redatto da ricercatori del MIT e di Takeda. Gli autori dell’articolo ideano un modo per utilizzare la fisica e il machine learning per categorizzare le superfici ruvide che caratterizzano le particelle in una miscela. La tecnica, che utilizza un valutatore basato sull’autocorrelazione potenziato dalla fisica (PEACE), potrebbe cambiare i processi di produzione farmaceutica per pillole e polveri, aumentando l’efficienza e l’accuratezza e riducendo il numero di lotti falliti di prodotti farmaceutici.

• I ricercatori creano uno strumento per simulare con precisione sistemi complessi.
• Successo all’incrocio tra tecnologia e finanza
• Studio I modelli di intelligenza artificiale non riescono a riprodurre i giudizi umani sulle violazioni delle regole.

“I lotti falliti o le fasi fallite nel processo farmaceutico sono molto gravi”, afferma Allan Myerson, professore di pratica nel Dipartimento di Ingegneria Chimica del MIT e uno degli autori dello studio. “Qualsiasi cosa che migliora l’affidabilità della produzione farmaceutica, riduce il tempo e migliora la conformità è una grande cosa”.

Il lavoro del team fa parte di una collaborazione in corso tra Takeda e il MIT, lanciata nel 2020. Il programma MIT-Takeda mira a sfruttare l’esperienza sia del MIT che di Takeda per risolvere problemi all’intersezione di medicina, intelligenza artificiale e sanità.

Nella produzione farmaceutica, determinare se un composto sia adeguatamente miscelato e asciugato richiede di solito di fermare un essiccatore di grandi dimensioni e prelevare campioni dalla linea di produzione per i test. I ricercatori di Takeda hanno pensato che l’intelligenza artificiale potesse migliorare il compito e ridurre le fermate che rallentano la produzione. Originariamente il team di ricerca aveva pianificato di utilizzare video per addestrare un modello di computer a sostituire un operatore umano. Ma determinare quali video utilizzare per addestrare il modello si è dimostrato ancora troppo soggettivo. Invece, il team MIT-Takeda ha deciso di illuminare le particelle con un laser durante la filtrazione e l’asciugatura e misurare la distribuzione delle dimensioni delle particelle utilizzando la fisica e il machine learning.

“Noi proiettiamo semplicemente un raggio laser sulla superficie di asciugatura e osserviamo”, dice Qihang Zhang, uno studente di dottorato nel Dipartimento di Ingegneria Elettrica e Informatica del MIT e primo autore dello studio.

Un’equazione derivata dalla fisica descrive l’interazione tra il laser e la miscela, mentre il machine learning caratterizza le dimensioni delle particelle. Il processo non richiede di fermare e avviare il processo, il che significa che l’intero lavoro è più sicuro e più efficiente rispetto alla procedura operativa standard, secondo George Barbastathis, professore di ingegneria meccanica al MIT e autore corrispondente dello studio.

L’algoritmo di machine learning non richiede molte serie di dati per apprendere il suo lavoro, perché la fisica consente una formazione rapida della rete neurale.

“Utilizziamo la fisica per compensare la mancanza di dati di formazione, in modo che possiamo addestrare la rete neurale in modo efficiente”, afferma Zhang. “Solo una piccola quantità di dati sperimentali è sufficiente per ottenere un buon risultato”.

Oggi, i soli processi in linea utilizzati per le misurazioni delle particelle nell’industria farmaceutica sono per prodotti di sospensione, dove i cristalli galleggiano in un liquido. Non esiste un metodo per misurare le particelle all’interno di una polvere durante la miscelazione. Le polveri possono essere prodotte da sospensioni, ma quando un liquido viene filtrato e asciugato, la sua composizione cambia, richiedendo nuove misurazioni. Oltre a rendere il processo più rapido e più efficiente, l’utilizzo del meccanismo PEACE rende il lavoro più sicuro perché richiede meno manipolazione di materiali potenzialmente molto potenti, dicono gli autori.

Le conseguenze per la produzione farmaceutica potrebbero essere significative, consentendo la produzione di farmaci più efficienti, sostenibili e a basso costo, riducendo il numero di esperimenti che le aziende devono condurre durante la produzione di prodotti. Il monitoraggio delle caratteristiche di una miscela di asciugatura è una questione con cui l’industria ha a lungo lottato, secondo Charles Papageorgiou, direttore del gruppo di sviluppo della chimica dei processi di Takeda e uno degli autori dello studio.

“È un problema che molte persone stanno cercando di risolvere e non c’è un buon sensore là fuori”, dice Papageorgiou. “Questo è un cambiamento piuttosto grande, penso, per quanto riguarda la capacità di monitorare in tempo reale la distribuzione delle dimensioni delle particelle”.

Papageorgiou ha detto che il meccanismo potrebbe avere applicazioni in altre operazioni farmaceutiche industriali. Ad un certo punto, la tecnologia laser potrebbe essere in grado di addestrare l’imaging video, consentendo ai produttori di utilizzare una telecamera per l’analisi anziché le misurazioni laser. L’azienda sta ora lavorando per valutare lo strumento su diversi composti nel suo laboratorio.

I risultati derivano direttamente dalla collaborazione tra Takeda e tre dipartimenti del MIT: Ingegneria Meccanica, Ingegneria Chimica e Ingegneria Elettrica e Informatica. Negli ultimi tre anni, i ricercatori del MIT e di Takeda hanno lavorato insieme su 19 progetti incentrati sull’applicazione di machine learning e intelligenza artificiale ai problemi nel settore sanitario e medico come parte del programma MIT-Takeda.

Spesso, possono passare anni affinché le ricerche accademiche si traducano in processi industriali. Ma i ricercatori sono fiduciosi che la collaborazione diretta possa accorciare tale timeline. Takeda si trova a pochi passi dal campus del MIT, il che ha permesso ai ricercatori di allestire test nel laboratorio dell’azienda, e un feedback in tempo reale da Takeda ha aiutato i ricercatori del MIT a strutturare la loro ricerca in base all’attrezzatura e alle operazioni dell’azienda.

Combinando l’esperienza e la missione di entrambe le entità, i ricercatori possono garantire che i risultati sperimentali avranno implicazioni reali nel mondo reale. Il team ha già presentato domanda per due brevetti e ha in programma di presentarne una terza.