Искусственный интеллект пока не способен решить все проблемы ранних этапов разработки лекарств

Инвестиции в разработку лекарств с использованием ИИ продолжают расти, отражая твердую убежденность отрасли в том, что компьютерное моделирование может изменить и значительно ускорить начальный этап исследований новых препаратов. Однако и здесь не обходится без ошибок.

Большая вычислительная мощность и быстрое открытие новых молекул не всегда упрощают их разработку. По мере того, как ИИ выявляет все более сложные и перспективные кандидаты на роль малых молекул, разработчики в реальных условиях на ранних этапах продолжают сталкиваться с теми же проблемами, которые определяют, получит ли тот или иной продукт дальнейшее развитие. В их числе плохая растворимость, ограниченная биодоступность, проблемы со стабильностью и ограничения в технологичности производства.

Искусственный интеллект может ускорить поиск и определение приоритетности молекул, но стратегия разработки по-прежнему определяет, какие кандидаты могут стать готовыми к клиническим испытаниям препаратами.

Когда процесс открытия идет быстрее, чем разработка

Увеличение объема исследований часто означает, что в дальнейшем больше программ столкнется с типичными проблемами, ограничивающими возможности разработки. По мере продвижения исследований появляется все больше кандидатов с плохой растворимостью в воде, ограниченной биодоступностью, высокими температурами плавления, плохой растворимостью или технологическими ограничениями, которые сужают доступный путь разработки. Генеративные платформы ИИ, как правило, оптимизированы для максимизации эффективности и селективности целевого вещества, а не для повышения возможности разработки, что смещает их результаты в сторону более высокой молекулярной массы, более высокого logP и сниженной растворимости в воде — области, где, как правило, концентрируются физико-химические недостатки.

Молекула может выглядеть перспективной на ранних стадиях скрининга, но проблемы могут возникнуть, когда разработчики начинают создавать стабильную лекарственную форму, обеспечивать значимую концентрацию препарата или проектировать процесс, который выдержит испытание временем. Эти проблемы определяют, сможет ли программа эффективно продвинуться к клиническим испытаниям и можно ли производить продукт масштабируемым и воспроизводимым способом.

Традиционные предположения, определявшие критерии скрининга, сейчас имеют большее значение, поскольку многие из них были основаны на более узком круге соединений.

Важные вопросы, требующие ответа в ближайшее время

Более высокая скорость исследований делает более весомыми решения, принимаемые на ранних этапах разработки. Чтобы проекты быстро развивались, не создавая серьезных проблем в дальнейшем, спонсорам необходимы четкие ответы на следующие вопросы:

• Может ли молекула достичь терапевтического эффекта в практически приемлемой дозе?
• Сохраняет ли она стабильность в процессе обработки и хранения?
• Существует ли производственный процесс, способный выдержать нагрузку по мере развития программы?

Эти вопросы часто определяют, где возникают задержки, где ресурсы расходуются впустую, и где командам приходится возвращаться к работе, которую следовало завершить раньше.

Развитие по-прежнему требует доказательств

Разработка должна основываться на интегрированном цикле принятия решений, а не только на прогнозировании. Искусственный интеллект может помочь сузить круг вариантов и выявить приоритеты, но не может показать, станет ли потенциальный кандидат работающим препаратом. Для этого по-прежнему требуется последовательность скрининга in vitro, компьютерного моделирования фармакокинетики и подтверждения in vivo.

На ранних этапах разработки специалисты могут использовать ИИ для определения практических ограничений в отношении растворения, абсорбции и стабильности, а затем оценить, улучшает ли выбранная методика нужные характеристики. Такой подход приводит к принятию более взвешенных решений, более эффективному использованию ограниченного количества активного фармацевтического ингредиента и большей предсказуемости на поздних стадиях разработки.

Когда гибкость рецептуры имеет наибольшее значение

По мере того, как все больше кандидатов, выявленных с помощью ИИ, переходят в стадию разработки, стратегия создания рецептур становится все более важной, поскольку многие из этих соединений выходят за рамки стандартных подходов. Эта закономерность особенно очевидна, когда кандидат обладает плохой растворимостью, высокими температурами плавления, ограниченной термостойкостью или узким технологическим диапазоном. В таких случаях необходима достаточная свобода действий при создании рецептуры, чтобы обойти свойства молекулы, не теряя при этом ее ценности.

Особого внимания требуют следующие моменты: 

• Подходы, способствующие повышению биодоступности: для некоторых плохо растворимых соединений усовершенствованные аморфные твердые дисперсии могут предложить практический путь к улучшению абсорбции.
• Гибкость процесса: когда использование тепла, растворителей или свойств материала ограничивает возможности традиционных методов, бессольвентная технология плавления или другие нестандартные подходы могут открыть перспективные варианты.
• Расширение возможностей для разработки рецептур: большая гибкость в выборе вспомогательных веществ и более специализированные многокомпонентные системы позволяют разработчикам рецептур найти баланс между производительностью, стабильностью и технологичностью производства.

Искусственный интеллект продолжит менять способы открытия малых молекул, но кандидаты, вызывающие наибольший интерес в компьютерном моделировании, все равно должны добиться успеха в реальных условиях разработки. Им необходимы стратегии разработки рецептур, способные поддерживать высокие эксплуатационные характеристики, и производственные процессы, которые будут устойчивыми по мере развития программ. 

Об авторе

Элизабет Хикман занимает должность генерального директора в компании AustinPx — ведущей организации по контрактной разработке и производству (CDMO), специализирующейся на повышении биодоступности перорально принимаемых низкомолекулярных лекарственных препаратов. Элизабет обладает более чем двадцатилетним опытом работы в биотехнологическом и фармацевтическом секторах, ранее занимала руководящие должности в компаниях West Pharmaceutical Services, Catalent и Pii. Имеет степень бакалавра в области микробиологии Техасского университета в Остине и степень магистра делового администрирования в области маркетинга Университета штата Сан-Диего.

Источник: https://medcitynews.com/

22.06.2026