La investigación de UConn fue la historia de portada en una edición reciente de la revista. CrystEngComm . Crédito:Universidad de Connecticut
Transformar un nuevo fármaco de un conjunto de ingredientes líquidos en un laboratorio a una pastilla en una caja puede ser un ejercicio de química compleja. Para comprender mejor cómo cristalizan los ingredientes de los medicamentos, Los investigadores de UConn extrajeron una amplia colección de datos experimentales proporcionados por Pfizer. Informaron sus hallazgos en el artículo de portada de la revista del 28 de febrero. CrystEngComm .
Muchos medicamentos se toman en forma cristalina sólida en forma de píldoras. Pero descubrir la mejor manera de convencer a un fármaco para que adopte una forma sólida es un problema complicado. Hay muchos disolventes diferentes en los que se pueden disolver los ingredientes de los medicamentos, y muchos procedimientos diferentes que pueden hacer que el fármaco cristalice. Condiciones de procesamiento, como temperatura y presión, también puede tener un efecto profundo. Hay tantas variables diferentes, cosas que podrían cambiar el resultado, involucradas que el aprendizaje automático podría ser la mejor manera de atacar un problema tan complicado.
Pfizer formó una colaboración con el científico de materiales de UConn Serge Nakhmanson y sus colegas en el Departamento de Ciencia e Ingeniería de Materiales para evaluar los enfoques de aprendizaje automático por su utilidad. Procesamiento de datos, ellos esperaban podría ayudar a descubrir la mejor manera de cristalizar un compuesto farmacéutico. Utilizando los datos y la experiencia relevante de Pfizer, el equipo de materiales de UConn probó tres algoritmos informáticos diferentes. Los algoritmos se conocen como aprendizaje automático porque la computadora los usa para construir modelos matemáticos de los datos, encontrar patrones, y luego "aprender" de esos patrones para hacer predicciones precisas.
Estudiante de posgrado de Nakhmanson, Ayana Ghosh, descubrió que el algoritmo de regresión aleatoria del bosque (RFR) proporcionaba las predicciones de cristalización más precisas. Además, RFR fue el único capaz de identificar rasgos que facilitarían la cristalización de las moléculas farmacéuticas; por ejemplo, si una molécula pesa menos de X cantidad y tiene un cierto número de enlaces de hidrógeno, aumenta la probabilidad de que pueda cristalizarse con éxito.
"Este es precisamente el tipo de información que un químico sintético necesitaría para decidir cómo fabricar un nuevo fármaco en forma de píldora". ", dice Nakhmanson." La técnica de aprendizaje automático RFR es realmente útil para abordar qué parámetros son importantes para la cristalización y cuáles no ".