Pharmaceutical Technology Brasil Ed. 1-24

Pharmaceutical Technology 12 Edição Brasileira - Vol. 28 / Nº1 empregados com menos frequência são os maiores desafios associados a encontrar a molécula certa para um determinado API. É necessária uma extensa triagem experimental. muitas vezes é necessária. Por esse motivo, os recursos de modelagem preditiva podem acelerar o desenvolvimento de coformadores, cocristais e complexos. Vasto espaço de combinações químicas Coformadores, cocristais e com- plexos de APIs têm o potencial de aumentar a biodisponibilidade quando cuidadosamente desenvolvidos, mas há vários desafios quando são usadas abordagens tradicionais, de acordo com Jo Varshney, fundador e CEO da VeriSIM Life. “A exploração do espaço de com- binações químicas química, dada a sua vastidão, é impraticável”, afirma Varshney. Por exemplo, ela ressalta que a biodisponibilidade pode mudar de forma não linear com diferentes proporções dos mesmos dois cofor- madores, ou duas moléculas muito semelhantes podem levar a uma mudança substancial na biodisponi- bilidade do IFA. A termodinâmica da estabilidade da combinação também pode ser uma função não linear e/ou não monotôni- ca da proporção dos dois compostos, observa Varshney. “As abordagens tradicionais só podem investigar ex- plicitamente combinações discretas, e a otimização da estabilidade da for- mulação estabilidade da formulação usando esse conhecimento esparso é geralmente impreciso”, diz ela. Avanços computacionais Chave para a expansão do uso da modelagem preditiva no desenvolvi- mento de formulações especializadas destinadas a aumentar a solubilidade são os avanços que estão sendo feitos nas áreas de inteligência artificial inte- ligência artificial (IA), aprendizado de máquina (ML) e vários outros métodos computacionais. Diversas tecnologias estão agora estão sendo aplicadas em todos os aspectos da descoberta e desenvolvimento de medicamentos, incluindo a formulação de APIs com baixa solubilidade e biodisponibili- dade. Para o projeto e a seleção de coformadores, cocristais e agentes complexantes, em particular, o uso de algoritmos avançados de redes neurais algoritmos de redes neurais avançadas, métodos baseados em conjuntos e mo- delos baseados em conhecimento está tornando a modelagem preditiva mais relevante, de acordo com Varshney. Eles permitem uma interpolação mais precisa entre os dados experi- mentais disponíveis dados experimen- tais disponíveis. “Essa interpolação pode ser para diferentes proporções de combinações ou até mesmo para diferentes tipos de combinações” ob- serva Varshney. Além disso, a inclusão de modelos baseados em conhecimento baseados em conhecimento na estrutura de modelagem preditiva está tendo um impacto. “Quando os modelos basea- dos em IA são usados em combinação com modelos baseados em conhe- cimento, é possível gerar previsões mais robustas mais robustas podem ser geradas mesmo em cenários de dados limitados, dos quais a ciência da formulação é definitivamente um deles”, afirma Varshney. Ela acres- centa que esses modelos baseados em conhecimento modelos baseados em conhecimento podem acelerar o desenvolvimento de coformadores, cocristais e agentes complexantes agentes complexantes por meio de uma consideração precisa dos aspectos fisiológicos, físico-químicos aspectos fisiológicos, físico-químicos e estru- turais das estruturais das moléculas no espaço combinatório. O VeriSIM Life utiliza amplamente esses modelos híbridos de IA e modelos baseados em conhecimento no desenvolvimento de medicamentos e formulações. Economia de tempo e recursos O principal benefício oferecido pela modelagem preditiva é a possibilida- de de economizar tempo e recursos. As informações obtidas por meio de modelos eficazes podem reduzir a um número razoável as moléculas em potencial que podem servir como coformadores eficazes ou formar cocristais ou cocristais ou complexos atraentes. Isso, por sua vez reduz o número de experimentos físicos que devem ser realizados para identificar a solução ideal. A modelagem preditiva, diz Varsh- ney, permite uma rápida exploração do espaço químico combinatório. Ela também enfatiza que, quando implantados em uma estrutura de IA híbrida - especialmente aqueles que enfatizam os aspectos físico-químicos e fisiológicos das moléculas químicas envolvidas -, os modelos preditivos podem fornecer soluções robustas para diferentes combinações de compostos para aumentar a biodisponibilidade de APIs pouco solúveis. Além disso, Varshney observa que, ao extrair percepções explicáveis da modelagem preditiva, é possível fazer observações sobre formulações de medicamentos existentes e novas para identificar quais recursos das formu- lações de medicamentos estão mais intimamente associados à melhoria da biodisponibilidade. “Essa maior compreensão orienta a exploração de novas formulações nas direções mais promissoras, acelerando ainda mais o desenvolvimento de formulações eficazes”, comenta.