机器学习有助于预测药品制造中的粉末流动性

制药行业已经在使用机器学习，通常是在孤立的口袋中。与任何形式的分析一样，关键是整个制造运营中的良好数据的可用性。七十五/istock？getty图像加上盖蒂图像

制药公司大量投资用于学习人工智能和机器学习如何缩短药物发现，改善过程和药物结果，导致成本较小且复杂的制造工艺以及更多。

在这个数据驱动的年龄中，潜在的好处包括通过了解机器学习在帮助更准确，更有效地预测粉末流动行为方面的作用来改善片剂中粉末流动性的质量过程。

粉末流的特定应用

根据新泽西州理工学院（NJIT）的数据，包括机器学习的粉末流量预测模型可预测单个组件的流动性高达85％的准确性，而在研究平板电脑制造的研究中，混合物的混合物为87％。研究。根据研究作者Rajesh N.Davé，博士学位，NJIT的化学与材料工程学教授Rajesh N.Davé©Rajesh N.Davé©Rajesh N.Davé，这些发现为数据驱动的模型铺平了道路，以改善药品配方中复杂材料特性的预测。

davéside说，机器学习本身不能提高粉末的流动性，这对于增强制造业至关重要，但是它肯定可以帮助选择材料和预处理的正确组合。”

有关的：特朗普关税导致制药制造策略混乱

框架的一部分

药品粉末通常没有足够的流动性来帮助混合，染料填充，压实和加工。结果，制造商可能无法达到销售批次药物的内容均匀性和监管要求。

为了解决情况，制药行业使用干或湿的颗粒技术，例如滚筒压实或高剪切颗粒，从而增加了额外的过程步骤。

取而代之的是，戴维（Davâ©）和他的团队正在提出“表面修改技术”，而机器学习是该框架的一部分。该框架使用机械模型来预测粉末是否会流动，流动的流动程度以及更好的流动配方可能需要哪种类型的赋形剂。

根据Davé的说法，如果基于团队的模型仍然没有流动，则制造商可以通过二氧化硅等纳米化颗粒的干涂层进行表面修饰。

这个想法不是将混合物放在药品流中的机会。

您首先要涂上最贫穷的材料，这通常是您的活性药物成分（API）粉末，既可以又有凝聚力。您将其涂上非常少量的二氧化硅，通常为1.0％甚至更少的一半。然后将其与其余材料混合。他说，这有助于改善整个混合的流动性。

有关的：国际药品工程学会宣布2025年年度奖项

该框架需要预测工具，这是机器学习开始起作用的地方。

Davâ©说，为了使机器学习工具运行良好，您需要提供可靠的数据。”

他和同事利用人类的一般知识和对材料及其流动性的理解，并使用机器学习工具更好地指导制药行业。

最重要的是，必须与了解机器学习的人一起使用药物知识和专业知识的专家组合。

davand说，您可以自己或他本人（不与药剂师专家合作）试图解决药物问题。”

更好的粉末配方可预测性将改善诸如直接压缩（并使药丸更小）之类的东西，同时更自信地避免了肉芽方法所需的额外处理步骤。

行业势头

赛诺菲分享了其致力于通过数字化转型建立更聪明的生态系统的承诺。`通过在制造和供应链的各个方面的高级分析，自动化和AI等数字技术的战略整合，我们正在超越传统的，通常是孤立的过程 - 。

有关的：如何克服制药中的粉末流动挑战

埃利·莉莉（Eli Lilly）最近宣布了计划投资高达2.5亿美元的计划扩大与普渡大学的合作，旨在加快药品创新，包括 - 创造更具弹性，高效和可持续的供应链。”

虽然粉末流动性并未明确强调，但耗资2.5亿美元的Purdue lilly合作支持机器学习在药品制造挑战中的应用，在这些挑战中，可以探索材料行为，过程控制和效率的改善，露西·弗雷斯（Lucy Flesch），博士学位，弗雷德里克·霍夫（Frederick L.普渡大学科学学院。

普渡大学的教师正在应用人工智能和机器学习来通过加速发现，优化配方和改进制造业来改变药物开发。他们的研究涵盖了AI引导的自动化，预测建模和机器人实验平台，这些平台有助于减少开发时间表，提高精度并更好地利用资源。这些工具正在增强如何以更高的速度和可靠性设计，测试和生产新疗法。粉与块状固体。

据新的，有95％的生命科学制造商表示，他们正在使用或评估包括机器学习在内的智能技术。报告由143个生命科学制造商的Rockwell自动化。报告称，在接下来的12个月中，人工智能和机器学习的最佳用途包括质量控制和过程优化。

制药行业已经在使用机器学习，通常是在孤立的口袋中。与任何形式的分析一样，关键是整个制造运营中的良好数据的可用性。根据Paul Jones的说法Kalypso，Rockwell Automation的数字服务业务。

一个例子是使用历史批处理数据，例如已经制造的材料中的粒度分布，块状密度和吸湿性。然后，可以根据其各自批次的相关流动性结果，可稳定角度/可压缩性指数/形态学等相关的流动性结果来判断这些物理参数，并且可以产生满足数据的模型。结果，可以预测基于测量的物理参数的材料的流动性。

琼斯说，这可以扩展到上游。随着知识的增加，人们对影响产品流动性的关键物理参数有了更大的了解。

•琼斯说，现在可以构建一种算法，以优化产生与所需物理参数的材料的输入过程参数。”使用机器学习来预测最佳反应动力学，杂质概况，溶剂比率，冷却速率，搅拌速度，搅拌器类型，降水状态等。

根据Davâ©的说法，在制造业的各个方面实施机器学习将需要时间 - 也许几年。

最大的障碍是提供算法准确性所需的培训数据。制药公司不太可能共享其数据。戴维解释说，更有可能的情况是学者将开发算法和模型，并且每个公司都会有自己的领域和专业知识。

他说，无论如何，现在开始研究机器学习以减少生产片剂和胶囊所需的材料和实验的时间。