Forscher entwickeln neuartigen KI-basierten Schätzer für die Herstellung von Medikamenten

Wenn medizinische Unternehmen Pillen und Tabletten herstellen, die eine Vielzahl von Krankheiten und Schmerzen behandeln, müssen sie den pharmazeutischen Wirkstoff aus einer Suspension isolieren und trocknen. Der Prozess erfordert, dass ein menschlicher Bediener einen Industrietrockner überwacht, das Material bewegt und darauf achtet, dass die Verbindung die richtigen Eigenschaften annimmt, um sie zu Medikamenten zu komprimieren. Die Arbeit hängt stark von den Beobachtungen des Bedieners ab.

Methoden, um diesen Prozess weniger subjektiv und viel effizienter zu machen, sind das Thema eines kürzlich erschienenen Naturkommunikation Papier, das von Forschern des MIT und Takeda verfasst wurde. Die Autoren des Papiers entwickeln einen Weg, um mithilfe von Physik und maschinellem Lernen die rauen Oberflächen zu kategorisieren, die Partikel in einer Mischung charakterisieren. Die Technik, die einen physikalisch verbesserten, auf Autokorrelation basierenden Schätzer (PEACE) verwendet, könnte pharmazeutische Herstellungsprozesse für Pillen und Pulver verändern, die Effizienz und Genauigkeit erhöhen und zu weniger fehlerhaften Chargen pharmazeutischer Produkte führen.

„Fehlgeschlagene Chargen oder fehlgeschlagene Schritte im pharmazeutischen Prozess sind sehr ernst“, sagt Allan Myerson, Professor für Praxis am MIT Department of Chemical Engineering und einer der Autoren der Studie. „Alles, was die Zuverlässigkeit der pharmazeutischen Herstellung verbessert, Zeit reduziert und die Compliance verbessert, ist eine große Sache.“

Die Arbeit des Teams ist Teil einer laufenden Zusammenarbeit zwischen Takeda und MIT, die 2020 ins Leben gerufen wurde. Das MIT-Takeda-Programm zielt darauf ab, die Erfahrung von MIT und Takeda zu nutzen, um Probleme an der Schnittstelle von Medizin, künstlicher Intelligenz und Gesundheitsversorgung zu lösen.

In der pharmazeutischen Herstellung erfordert die Bestimmung, ob eine Verbindung ausreichend gemischt und getrocknet ist, normalerweise das Anhalten eines Trockners in Industriegröße und das Entnehmen von Proben von der Fertigungslinie zum Testen. Die Forscher von Takeda dachten, dass künstliche Intelligenz die Aufgabe verbessern und Unterbrechungen reduzieren könnte, die die Produktion verlangsamen.

Ursprünglich plante das Forschungsteam, mithilfe von Videos ein Computermodell zu trainieren, um einen menschlichen Bediener zu ersetzen. Die Entscheidung, welche Videos zum Trainieren des Modells verwendet werden sollten, erwies sich jedoch immer noch als zu subjektiv. Stattdessen beschloss das MIT-Takeda-Team, Partikel während der Filtration und Trocknung mit einem Laser zu beleuchten und die Partikelgrößenverteilung mithilfe von Physik und maschinellem Lernen zu messen.

„Wir richten einfach einen Laserstrahl auf diese trocknende Oberfläche und beobachten“, sagt Qihang Zhang, Doktorand am Department of Electrical Engineering and Computer Science des MIT und Erstautor der Studie.

Eine aus der Physik abgeleitete Gleichung beschreibt die Wechselwirkung zwischen dem Laser und der Mischung, während maschinelles Lernen die Partikelgrößen charakterisiert. Laut George Barbastathis, Professor für Maschinenbau am MIT und korrespondierender Autor der Studie, muss der Prozess nicht angehalten und gestartet werden, was bedeutet, dass die gesamte Arbeit sicherer und effizienter ist als standardmäßige Betriebsverfahren.

Der maschinelle Lernalgorithmus benötigt auch nicht viele Datensätze, um seine Arbeit zu lernen, da die Physik ein schnelles Training des neuronalen Netzwerks ermöglicht.

„Wir nutzen die Physik, um den Mangel an Trainingsdaten zu kompensieren, damit wir das neuronale Netz effizient trainieren können“, sagt Zhang. „Nur eine winzige Menge an experimentellen Daten reicht aus, um ein gutes Ergebnis zu erzielen.“

Inline-Verfahren zur Partikelmessung in der pharmazeutischen Industrie kommen heute nur noch für Slurry-Produkte zum Einsatz, bei denen Kristalle in einer Flüssigkeit schwimmen. Es gibt kein Verfahren zum Messen von Partikeln in einem Pulver während des Mischens. Pulver können aus Aufschlämmungen hergestellt werden, aber wenn eine Flüssigkeit gefiltert und getrocknet wird, ändert sich ihre Zusammensetzung, was neue Messungen erfordert. Die Verwendung des PEACE-Mechanismus macht den Prozess nicht nur schneller und effizienter, sondern macht die Arbeit auch sicherer, da weniger mit potenziell hochwirksamen Materialien gehandhabt werden muss, sagen die Autoren.

Die Auswirkungen auf die pharmazeutische Herstellung könnten erheblich sein und eine effizientere, nachhaltigere und kostengünstigere Arzneimittelproduktion ermöglichen, indem die Anzahl der Experimente reduziert wird, die Unternehmen bei der Herstellung von Produkten durchführen müssen. Laut Charles Papageorgiou, dem Direktor der Process Chemistry Development Group von Takeda und einem der Autoren der Studie, hat die Industrie lange mit der Überwachung der Eigenschaften einer Trocknungsmischung zu kämpfen.

„Es ist ein Problem, das viele Leute zu lösen versuchen, und es gibt keinen guten Sensor da draußen“, sagt Papageorgiou. „Dies ist meiner Meinung nach ein ziemlich großer Schritt in Bezug auf die Möglichkeit, die Partikelgrößenverteilung in Echtzeit zu überwachen.“

Papageorgiou sagte, dass der Mechanismus auch in anderen pharmazeutischen Industriebetrieben Anwendung finden könnte. Irgendwann könnte die Lasertechnologie in der Lage sein, die Videobildgebung zu trainieren, sodass Hersteller anstelle von Lasermessungen eine Kamera für die Analyse verwenden können. Das Unternehmen arbeitet nun daran, das Tool in seinem Labor an verschiedenen Verbindungen zu bewerten.

Die Ergebnisse stammen direkt aus der Zusammenarbeit zwischen Takeda und drei MIT-Abteilungen: Maschinenbau, Chemieingenieurwesen sowie Elektrotechnik und Informatik. In den letzten drei Jahren haben Forscher des MIT und Takeda im Rahmen des MIT-Takeda-Programms an 19 Projekten zusammengearbeitet, die sich auf die Anwendung von maschinellem Lernen und künstlicher Intelligenz auf Probleme in der Gesundheits- und Medizinbranche konzentrierten.

Oft kann es Jahre dauern, bis die akademische Forschung in industrielle Prozesse überführt wird. Die Forscher hoffen jedoch, dass eine direkte Zusammenarbeit diesen Zeitrahmen verkürzen könnte. Takeda ist nur wenige Gehminuten vom MIT-Campus entfernt, was es Forschern ermöglichte, Tests im Labor des Unternehmens einzurichten, und Echtzeit-Feedback von Takeda half MIT-Forschern, ihre Forschung auf der Grundlage der Ausrüstung und des Betriebs des Unternehmens zu strukturieren.

Die Kombination des Fachwissens und der Mission beider Einheiten hilft den Forschern sicherzustellen, dass ihre experimentellen Ergebnisse Auswirkungen auf die reale Welt haben. Das Team hat bereits zwei Patente angemeldet und plant, ein drittes anzumelden.

Diese Geschichte wurde mit freundlicher Genehmigung von MIT News (web.mit.edu/newsoffice/), eine beliebte Website, die Neuigkeiten über MIT-Forschung, -Innovation und -Lehre enthält.