Pharmaceutical Technology Brasil Ed. 1-24

Pharmaceutical Technology 13 Edição Brasileira - Vol. 28 / Nº1 Redução de riscos e barreiras Há várias vantagens em usar a modelagem preditiva para identificar possíveis soluções para aumentar a biodisponibilidade de APIs pouco so- lúveis APIs pouco solúveis, concorda Sanjay Konagurthu, diretor sênior diretor sênior de ciência e inovação, serviços farmacêuticos da Thermo Fisher Scientific. Além de reduzir os cronogramas de desenvolvimento, ele enfatiza a capacidade de reduzir o risco no desenvolvimento de pro- dutos desenvolvimento de produtos e remover barreiras em cada fase do desenvolvimento. A modelagem A mo- delagem preditiva também pode ajudar a reduzir custos, evitar retrabalho, reduzir a quantidade de API necessária e apoiar a sustentabilidade, observa Konagurthu. Limitações dos dados disponíveis O maior desafio para a implemen- tação de soluções de modelagem preditiva para o desenvolvimento de coformadores, cocristais e comple- xos é a necessidade de dados de alta qualidade. dados de alta qualidade, de acordo com Varshney e Konagurthu. “Tecnologias/algoritmos preditivos como ML e IA dependem da qualidade e da quantidade de dados disponíveis. São necessários grandes conjuntos de dados que abrangem o espaço de formulação de medicamentos”, explica Konagurthu. Infelizmente, esses dados podem ser difíceis de difíceis de obter quando se trata de coformador, cocris- tal e formulação complexa. A maioria das tecnologias de mode- lagem preditiva exige muitos dados de alta qualidade dados de alta qualidade para fazer previsões precisas, cuja quantidade é essencialmente muito limitada para formulações complexas, coformadoras e cocristalinas, levando em consideração o vasto espaço de possíveis combinações de compostos, concorda Varshney. Ela observa ainda que mesmo esses dados limitados geralmente não estão prontamente disponíveis para uso amplo devido à heterogeneidade das fontes. Além dos desafios dos dados limi- tados dados limitados com acesso li- mitado é a falta de curadoria de dados e padrões de precisão, de acordo com Varshney. “Esse problema leva à propagação de erros de dados imprecisos para previsões” explica ela. Varshney também acredita que há uma falta de explicabilidade nas tecnologias de modelagem atuais. Por exemplo, ela diz que, se for previsto que um complexo ou uma combinação apresente baixa biodisponibilidade, o motivo subjacente para isso geralmen- te permanece obscuro. “Essa falta de explicação em termos das caracterís- ticas físico-químicas dos compostos da combinação impede a criação de combinações que que poderiam resul- tar em uma maior biodisponibilidade do IFA”, explica Varshney. Existem também alguns desafios técnicos. Konagurthu destaca o fato de que os modelos preditivos exigem uma validação experimental robusta, e os modelos podem ser computacio- nalmente intensivos. Combine abordagens para obter mais sucesso A melhor maneira de maximizar os benefícios potenciais da modelagem preditiva para o desenvolvimento de formulações complexas, coformadoras e cocristalinas é usar uma combinação de abordagens. A primeira, de acordo com Varshney, é usar algoritmos ro- bustos de mineração de dados para coletar dados de fontes heterogêne- as. A segunda é empregar curadoria