Ученые из Университета Брауна разработали метод на основе искусственного интеллекта, который ускоряет тестирование лекарств с контролируемым высвобождением. Новая модель сокращает лабораторное время почти на сутки и снижает ошибки прогнозирования до 40%. Для фармацевтических компаний это означает миллионы долларов экономии и более быстрый вывод препаратов на рынок.
В чем проблема для бизнеса
Разработка лекарств с контролируемым высвобождением - долгий и дорогой процесс. Препарат должен высвобождаться из пленки или капсулы в течение часов или дней. Чтобы понять, как он это делает, лаборатории проводят длительные эксперименты. Одно тестирование может занять несколько дней, а общая стоимость разработки нового лекарства оценивается в миллиарды долларов.
Традиционные математические модели, которые используют фармацевты, основаны на упрощенных предположениях - идеально гладкие и однородные материалы. В реальности пленки могут быть сморщены или деформированы, и старые формулы перестают работать. Это замедляет процесс и увеличивает издержки.
Что предложили ученые
Исследователи использовали нейросеть, учитывающую законы физики (Physics-Informed Neural Network, PINN). В отличие от обычного ИИ, который просто ищет закономерности в данных, PINN опирается на физическое правило распространения веществ в материале. Это позволяет модели делать точные прогнозы даже при очень малом объеме экспериментальных данных.
Команда протестировала метод на трех типах тонких пленок: плоских, сморщенных в одном направлении и смятых в два слоя. Каждая форма высвобождает лекарство по-своему, поскольку геометрия меняет пути выхода.
Результаты и экономическая выгода
Для плоской пленки PINN потребовалось всего около 120 минут измерений (9 временных точек) для точного прогнозирования всей 48-часовой кривой высвобождения. Традиционным моделям требовалось 12-13 точек, что занимало от 1 до 1,5 дней лабораторной работы. Для сморщенных пленок экономия составила от 12 до 36 часов.
В среднем ошибка прогнозирования снизилась на 40% по сравнению со стандартными математическими моделями.
Для фармацевтической компании это означает:
· Сокращение лабораторных затрат. Меньше времени - меньше расходов на персонал и оборудование.
· Ускорение вывода на рынок. Сокращение времени разработки позволяет быстрее начать продажи и вернуть инвестиции.
· Конкурентное преимущество. Компании, использующие этот метод, обгоняют конкурентов.
Рынок фармацевтики оценивается в триллионы долларов. Даже небольшое ускорение разработки дает огромные экономические выгоды.
Байесовская версия - для реальных лабораторий
В реальных лабораториях данные никогда не бывают идеальными - есть температурный дрейф, шум приборов, человеческий фактор. Исследователи создали улучшенную версию PINN - байесовскую, которая выдает не только прогноз, но и оценку достоверности каждого ответа. В условиях шума она показала меньшую ошибку и более стабильные результаты.
В России фармацевтическая промышленность активно развивается, особенно в области импортозамещения. Российские компании тратят миллиарды рублей на разработку собственных препаратов. Метод американских ученых может сократить время тестирования и снизить затраты. Это особенно важно в условиях санкций, когда доступ к западным технологиям ограничен, а потребность в собственных лекарствах растет.
Внедрение подобных ИИ-моделей в российских фармкомпаниях и исследовательских институтах могло бы ускорить разработку и вывод на рынок отечественных препаратов.
