Pharmaceutical Technology Brasil Ed. 1-24

Pharmaceutical Technology 14 Edição Brasileira - Vol. 28 / Nº1 de dados aprimorada e métodos de avaliação precisos para reduzir impre- cisões nos dados usados para modelos preditivos. A terceira é aproveitar os modelos baseados em conhecimento dentro da estrutura de modelagem preditiva para permitir previsões mais robustas e fisi- coquimicamente precisas em cenários de dados limitados. Por fim, Varshney enfatiza o uso da explicabilidade do modelo para ajudar a projetar a próxima geração de complexos, coformadores e cocristais com maior biodisponibilidade de API. biodisponibilidade de API. A experimentação física pode então ser empregada para aumentar o “es- paço de previsão” disponível por meio da geração de dados de alta qualida- de, observa Varshney. Além disso, ela observa que a experimentação física pode ajudar a validar modelos predi- tivos e aumentar a confiança neles, principalmente quando os resultados da experimentação física se alinham com os insights da explicabilidade do modelo. Em um comentário separado, Varsh- ney observa que a plataforma BIOiSIM Life da VeriSIM incorpora coleta de dados, validação de dados, IA híbrida e aspectos de explicabilidade do mo- delo para reduzir o risco e acelerar o desenvolvimento de medicamentos e formulações. Importância cada vez maior para aprimoramento da biodisponibilidade Apesar dos dados, do custo e dos desafios computacionais, Konagurthu e Varshney esperam que a modelagem preditiva seja cada vez mais usada para resolver problemas específicos de desenvolvimento de formulações, incluindo o aprimoramento da biodis- ponibilidade. No curto prazo, Varshney espera que os esforços de modelagem preditiva para melhorar a biodisponibilidade durante o estágio de formulação de medicamentos se concentrem na curadoria de dados disponíveis e na incorporação de novos algoritmos, incluindo métodos híbridos de IA, para identificar e selecionar coformadores, cocristais etc. adequados para deter- minados APIs pouco solúveis. “A longo prazo”, sugere Varshney, “o uso de modelagem preditiva no desenvolvimento de formulações e para melhorar a biodisponibilidade será amplamente adotado pelo setor farmacêutico para reduzir a carga de experimentos exaustivos necessários para criar cocristais, coformadores etc. adequados”. Ela também espera que isso ajude a colocar no mercado compostos de medicamentos difíceis de formular com mais rapidez, melho- rando assim a vida dos pacientes que sofrem de doenças complexas e raras. Evolução em sofisticação No curto prazo, a Thermo Fisher Scientific prevê avanços significati- vos na modelagem preditiva para o desenvolvimento de formulações e aprimoramento da biodisponibilidade biodisponibilidade, de acordo com Konagurthu. “O aumento da integra- ção das técnicas de IA e ML permitirá o desenvolvimento de modelos mais precisos e versáteis”, comenta. Em longo prazo, a evolução da modelagem preditiva para o desenvol- vimento de formulações e o aprimora- mento da biodisponibilidade evoluirá em sofisticação, afirma Konagurthu. “Os avanços na computação quânti- ca permitirão cálculos e simulações grandes e complexos, possibilitando a modelagem de sistemas moleculares maiores e mais complexos. Além dis- so, com a incorporação de dados do mundo real, como resultados de pa- cientes e resultados de testes clínicos, a precisão e a exatidão desses modelos evoluirão ainda mais”, conclui. ainda mais”, conclui PT