Investigadores desarrollan un nuevo estimador basado en IA para la fabricación de medicamentos.
New AI-based estimator developed for drug manufacturing.
Un equipo de investigación colaborativo del Programa MIT-Takeda combinó la física y el aprendizaje automático para caracterizar las superficies de partículas rugosas en pastillas y polvos farmacéuticos.
Cuando las empresas médicas fabrican las píldoras y tabletas que tratan cualquier número de enfermedades, dolores y molestias, necesitan aislar el ingrediente farmacéutico activo de una suspensión y secarlo. El proceso requiere que un operador humano supervise un secador industrial, agite el material y observe que el compuesto adquiera las cualidades adecuadas para comprimirlo en medicamentos. El trabajo depende en gran medida de las observaciones del operador.
Los métodos para hacer ese proceso menos subjetivo y mucho más eficiente son el tema de un reciente artículo de Nature Communications escrito por investigadores del MIT y Takeda. Los autores del artículo idean una forma de utilizar la física y el aprendizaje automático para categorizar las superficies rugosas que caracterizan a las partículas en una mezcla. La técnica, que utiliza un estimador basado en autocorrelación mejorado por la física (PEACE), podría cambiar los procesos de fabricación farmacéutica para píldoras y polvos, aumentando la eficiencia y precisión y reduciendo el número de lotes fallidos de productos farmacéuticos.
“Los lotes fallidos o los pasos fallidos en el proceso farmacéutico son muy graves”, dice Allan Myerson, profesor de práctica en el Departamento de Ingeniería Química del MIT y uno de los autores del estudio. “Cualquier cosa que mejore la confiabilidad de la fabricación farmacéutica, reduzca el tiempo y mejore el cumplimiento es muy importante”.
- Éxito en la intersección de tecnología y finanzas.
- Una mejor manera de estudiar las corrientes oceánicas.
- Usando datos para escribir canciones para el progreso
El trabajo del equipo forma parte de una colaboración en curso entre Takeda y el MIT, lanzada en 2020. El Programa MIT-Takeda tiene como objetivo aprovechar la experiencia tanto del MIT como de Takeda para resolver problemas en la intersección de la medicina, la inteligencia artificial y la atención médica.
En la fabricación farmacéutica, determinar si un compuesto está adecuadamente mezclado y seco normalmente requiere detener un secador de tamaño industrial y tomar muestras de la línea de fabricación para realizar pruebas. Los investigadores de Takeda pensaron que la inteligencia artificial podría mejorar la tarea y reducir las paradas que ralentizan la producción. Originalmente, el equipo de investigación planeaba utilizar videos para entrenar a un modelo informático para reemplazar a un operador humano. Pero determinar qué videos utilizar para entrenar el modelo aún resultó demasiado subjetivo. En su lugar, el equipo MIT-Takeda decidió iluminar las partículas con un láser durante la filtración y el secado, y medir la distribución del tamaño de las partículas utilizando la física y el aprendizaje automático.
“Simplemente hacemos brillar un rayo láser en la parte superior de esta superficie de secado y observamos”, dice Qihang Zhang, estudiante de doctorado en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación del MIT y primer autor del estudio.
Una ecuación derivada de la física describe la interacción entre el láser y la mezcla, mientras que el aprendizaje automático caracteriza los tamaños de partículas. El proceso no requiere detener y reiniciar el proceso, lo que significa que todo el trabajo es más seguro y eficiente que el procedimiento operativo estándar, según George Barbastathis, profesor de ingeniería mecánica en el MIT y autor correspondiente del estudio.
El algoritmo de aprendizaje automático tampoco requiere muchos conjuntos de datos para aprender su trabajo, porque la física permite un entrenamiento rápido de la red neuronal.
“Utilizamos la física para compensar la falta de datos de entrenamiento, de manera que podemos entrenar la red neuronal de manera eficiente”, dice Zhang. “Solo una pequeña cantidad de datos experimentales es suficiente para obtener un buen resultado”.
Hoy en día, los únicos procesos en línea utilizados para medir partículas en la industria farmacéutica son para productos de suspensión, donde los cristales flotan en un líquido. No hay método para medir partículas dentro de un polvo durante la mezcla. Los polvos pueden ser hechos a partir de suspensiones, pero cuando un líquido se filtra y se seca, su composición cambia, lo que requiere nuevas mediciones. Además de hacer que el proceso sea más rápido y eficiente, el uso del mecanismo PEACE hace que el trabajo sea más seguro porque requiere menos manipulación de materiales potencialmente altamente potentes, dicen los autores.
Las consecuencias para la fabricación farmacéutica podrían ser significativas, permitiendo que la producción de fármacos sea más eficiente, sostenible y rentable, reduciendo el número de experimentos que las empresas necesitan realizar al fabricar productos. El monitoreo de las características de una mezcla de secado es un problema con el que la industria ha luchado durante mucho tiempo, según Charles Papageorgiou, director del grupo de Desarrollo de Química de Procesos de Takeda y uno de los autores del estudio.
“Es un problema que muchas personas están tratando de resolver, y no hay un buen sensor disponible”, dice Papageorgiou. “Este es un cambio bastante grande, creo, en cuanto a poder monitorear, en tiempo real, la distribución del tamaño de las partículas”.
Papageorgiou dijo que el mecanismo podría tener aplicaciones en otras operaciones farmacéuticas industriales. En algún momento, la tecnología láser podría ser capaz de entrenar la imagen de video, lo que permitiría a los fabricantes utilizar una cámara para el análisis en lugar de mediciones láser. La compañía ahora está trabajando para evaluar la herramienta en diferentes compuestos en su laboratorio.
Los resultados provienen directamente de la colaboración entre Takeda y tres departamentos del MIT: Ingeniería Mecánica, Ingeniería Química e Ingeniería Eléctrica y Ciencias de la Computación. Durante los últimos tres años, los investigadores del MIT y Takeda han trabajado juntos en 19 proyectos centrados en aplicar el aprendizaje automático y la inteligencia artificial a problemas en la industria médica y de atención médica como parte del Programa MIT-Takeda.
A menudo, puede llevar años para que la investigación académica se traduzca en procesos industriales. Pero los investigadores tienen la esperanza de que la colaboración directa pueda acortar esa línea de tiempo. Takeda está a poca distancia a pie del campus del MIT, lo que permitió a los investigadores configurar pruebas en el laboratorio de la empresa, y la retroalimentación en tiempo real de Takeda ayudó a los investigadores del MIT a estructurar su investigación en función del equipo y las operaciones de la empresa.
Combinar la experiencia y misión de ambas entidades ayuda a los investigadores a asegurar que sus resultados experimentales tendrán implicaciones en el mundo real. El equipo ya ha presentado dos patentes y tiene planes de presentar una tercera.
