Investigadores del Programa MIT-Takeda han desarrollado una técnica de física y aprendizaje automático para mejorar el proceso de fabricación de píldoras y polvos farmacéuticos. Su método, llamado PEACE, implica el uso de láseres y aprendizaje automático para medir la distribución del tamaño de las partículas, aumentar la eficiencia, reducir los lotes fallidos y hacer que el proceso sea más sostenible y rentable.
Un equipo de investigación colaborativo del Programa MIT-Takeda combinó la física y el aprendizaje automático para caracterizar superficies de partículas rugosas en píldoras y polvos farmacéuticos.
Un equipo de ingenieros e investigadores del MIT y Takeda está utilizando la física y el aprendizaje automático para desarrollar procesos de fabricación mejorados para píldoras y polvos farmacéuticos. El objetivo es aumentar la eficiencia y la precisión, lo que se traduce en menos lotes de productos fallidos.
Cuando las compañías médicas fabrican las píldoras y tabletas que tratan cualquier número de dolencias, dolores y molestias, tienen que aislar el ingrediente farmacéutico activo de una suspensión y secarlo. El proceso requiere que un operador humano controle un secador industrial, revuelva el material y vea si el compuesto adquiere las cualidades adecuadas para comprimirse en un fármaco. El trabajo depende mucho de las observaciones del operador.
Los métodos para hacer que este proceso sea menos subjetivo y mucho más eficiente son el tema de un artículo reciente 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 la autocorrelación mejorada por la física (PEACE, por sus siglas en inglés), puede cambiar los procesos de fabricación de medicamentos para píldoras y polvos, aumentando la eficiencia y la precisión y dando como resultado menos lotes de productos farmacéuticos fallidos.
«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 un gran negocio”.
Medición en tiempo real de la distribución del tamaño de partícula de un polvo farmacéutico utilizando imágenes de motas láser y aprendizaje automático. Crédito: Imágenes cortesía de los investigadores.
El trabajo del equipo es parte de una colaboración continua entre Takeda y el MIT, lanzada en 2020. El programa MIT-Takeda tiene como objetivo aprovechar la experiencia del MIT y de 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 detener un secador de tamaño industrial y tomar muestras de la línea de fabricación para su análisis. Los investigadores de Takeda pensaron que la inteligencia artificial podría mejorar la tarea y reducir el tiempo de inactividad que ralentiza 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 aún resultó ser muy 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 apuntamos un rayo láser a esta superficie seca 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 el tamaño de las partículas. El proceso no requiere detenerlo e iniciarlo, lo que significa que todo el trabajo es más seguro y más eficiente que el procedimiento operativo estándar, según George Barbastatis, 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.
“Usamos la física para compensar la falta de datos de entrenamiento para 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 pasta, donde los cristales flotan en un líquido. No existe un método para medir partículas dentro de un polvo durante la mezcla. Los polvos se pueden hacer a partir de pastas, pero cuando un líquido se filtra y se seca, su composición cambia, lo que requiere mediciones adicionales. 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, dicen los autores.
Las ramificaciones para la fabricación farmacéutica pueden ser significativas, lo que permite 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. Monitorear 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 Procesos Químicos de Takeda y uno de los autores del estudio.
“Es un problema que mucha gente está tratando de resolver y no existe un buen sensor”, dice Papageorgiou. «Este es un gran cambio, creo, en términos de 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 entrenar secuencias de video, lo que permitiría a los fabricantes usar una cámara para el análisis en lugar de mediciones con 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. En 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 de la salud como parte del programa MIT-Takeda.
A menudo, la investigación académica puede tardar años en traducirse en procesos industriales. Pero los investigadores esperan que la colaboración directa pueda acortar ese plazo. Takeda se encuentra a poca distancia del campus del MIT, lo que permitió a los investigadores realizar 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 en función del 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 solicitado dos patentes y planea solicitar una tercera.
Referencia: «Extracción de la distribución del tamaño de partículas del moteado láser con un estimador basado en la autocorrelación mejorada por la física (PEACE)» por Qihang Zhang, Janaka C. Gamekkanda, Ajinkya Pandit, Wenlong Tang, Charles Papageorgiou, Chris Mitchell, Yihui Yang, Michael Schwaerzler, Tolutola Oyetunde, Richard D. Braatz, Allan S. Myerson y George Barbastathis, 1 de marzo de 20 23, Nature Comunicaciones.
DOI: 10.1038/s41467-023-36816-2
