Cuando las compañías médicas fabrican las píldoras y tabletas que tratan una serie de enfermedades, dolores y molestias, deben aislar el ingrediente farmacéutico activo de una suspensión y secarlo. El proceso requiere que un operador humano observe un secador industrial, agite el material y se asegure de que el compuesto adquiera las cualidades adecuadas para comprimirse en medicina. El trabajo depende en gran medida de las observaciones del operador.
Los métodos para hacer que este proceso sea menos subjetivo y mucho más eficiente son objeto de un estudio reciente. Naturaleza Comunicación artículo 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 de píldoras y polvos, aumentando la eficiencia y la precisión y reduciendo la cantidad de lotes de productos farmacéuticos defectuosos.
«Los lotes o 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 un gran problema”.
El trabajo del equipo es parte de una colaboración continua entre Takeda y el MIT, lanzado en 2020. El programa MIT-Takeda tiene como objetivo aprovechar la experiencia del MIT y Takeda para resolver problemas en la intersección de la medicina, la inteligencia artificial y la atención médica.
En la fabricación de productos farmacéuticos, determinar si un compuesto se mezcla y se seca correctamente normalmente requiere apagar un secador de tamaño industrial y tomar muestras de la línea de fabricación para su análisis. Los investigadores de Takeda creían que la inteligencia artificial podría mejorar la tarea y reducir las paradas que ralentizan la producción. Originalmente, el equipo de investigación planeó usar videos para entrenar un modelo de computadora para reemplazar a un operador humano. Pero determinar qué videos usar para entrenar al modelo resultó ser demasiado subjetivo. En cambio, el equipo de 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 física y aprendizaje automático.
«Simplemente hacemos brillar un rayo láser sobre esta superficie de secado y observamos», dice Qihang Zhang, estudiante de doctorado en el Departamento de Ingeniería Eléctrica e Informática 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 el tamaño de las partículas. El proceso no requiere detenerlo e iniciarlo, 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, ya que la física permite un entrenamiento rápido de la red neuronal.
«Usamos la física para compensar la falta de datos de entrenamiento, de modo que podamos 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 la medición de partículas en la industria farmacéutica son para productos en suspensión, donde los cristales flotan en un líquido. No existe un método para medir partículas en un polvo durante la mezcla. Los polvos se pueden hacer a partir de lodos, 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 muy potentes, según los autores.
Las ramificaciones para la fabricación farmacéutica podrían ser significativas, permitiendo que la producción de medicamentos sea más eficiente, sostenible y rentable, al reducir la cantidad de experimentos que las empresas deben realizar al fabricar productos. Según Charles Papageorgiou, director del grupo de desarrollo de química de procesos de Takeda y uno de los autores del estudio, monitorear las características de una mezcla de secado es un problema con el que la industria ha luchado durante mucho tiempo.
«Es un problema que mucha gente está tratando de resolver, y no existe un buen sensor», dice Papageorgiou. «Creo que es un cambio bastante significativo, en términos de la capacidad de 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 puede formar imágenes de video, lo que permite a los fabricantes usar una cámara para el análisis en lugar de mediciones láser. Actualmente, la empresa 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 e informática. 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 los problemas de la industria médica y sanitaria como parte del programa MIT-Takeda.
A menudo, la investigación académica tarda años en traducirse en procesos industriales. Pero los investigadores esperan que la colaboración directa pueda acortar ese tiempo. Takeda se encuentra a una corta distancia a pie del campus del MIT, lo que permitió a los investigadores configurar pruebas en el laboratorio de la empresa, y los comentarios en tiempo real de Takeda ayudaron a los investigadores del MIT a estructurar su investigación según el equipo y las operaciones de la empresa.
La combinación de la experiencia y la misión de ambas entidades ayuda a los investigadores a garantizar que sus resultados experimentales tengan implicaciones en el mundo real. El equipo ya ha presentado dos patentes y planea presentar una tercera.