来自MIT-Takeda项目的协作研究团队结合了物理学和机器学习,对药丸和粉末中的粗糙颗粒表面进行表征
当医疗公司制造用于治疗各种疾病、疼痛和不适的药物时,他们需要从悬浮液中分离出活性药物成分并将其干燥。这一过程需要一个人工操作者监控工业干燥机,搅动材料,并观察化合物是否具有适合压缩成药物的合适特性。这项工作严重依赖于操作者的观察。
麻省理工学院和武田制药公司的研究人员最近发表了一篇《自然通讯》论文,探讨了用物理学和机器学习来对混合物中表征粒子的粗糙表面进行分类的方法。该技术使用了物理增强的自相关估计器(PEACE),可以改变药品制造过程中的制丸与制粉方法,提高效率和准确性,并减少制药产品的批次失败。
“制药过程中的批次失败或失败步骤非常严重,”麻省理工学院化学工程系实践教授、该研究的一位作者Allan Myerson说道,“任何能提高制药制造的可靠性,减少时间并提高合规性的方法都是一件大事情。”
该团队的工作是麻省理工学院和武田制药公司的一项正在进行中的合作计划的一部分,该计划于2020年启动,旨在利用麻省理工学院和武田制药公司的经验,解决医学、人工智能和医疗保健交叉领域的问题。
在制药制造中,确定化合物是否充分混合和干燥通常需要停止工业规模的干燥器并从生产线上取样进行测试。武田制药公司的研究人员认为,人工智能可以改善这项任务并减少减慢生产速度的停机时间。最初,研究团队计划使用视频来训练计算机模型以取代人工操作员。但是,确定要用哪些视频来训练模型仍然过于主观。因此,麻省理工学院和武田制药公司的团队决定在过滤和干燥期间用激光照射粒子,并使用物理学和机器学习来测量粒子大小分布。
“我们只需在这个干燥表面上方照射激光束并观察即可,”麻省理工学院电气工程和计算机科学系的博士生和该研究的第一作者Qihang Zhang说道。
通过物理学衍生出的方程描述了激光与混合物之间的相互作用,而机器学习则描述了粒子大小。根据该研究的通讯作者、麻省理工学院机械工程系教授George Barbastathis的说法,这一过程不需要停止和重新启动过程,因此整个工作流程比标准操作程序更安全、更高效。
机器学习算法也不需要大量数据集来完成其工作,因为物理学允许神经网络进行快速训练。
“我们利用物理学来弥补训练数据的不足,以便我们可以以高效的方式训练神经网络,”Zhang说,“只需要极少量的实验数据就足以得到良好的结果。”
目前,制药行业中只有用于浆料产品的粒子测量内联过程,其中晶体浮在液体中。没有方法可以在混合物中测量粒子。粉末可以由浆料制成,但是当液体被过滤和干燥时其成分会发生变化,因此需要进行新的测量。作者表示,使用PEACE机制除了使整个过程更快、更高效外,还使工作更安全,因为它需要处理潜在的高效物料的次数更少。
制药制造的影响可能是显著的,可以通过减少制造公司需要进行产品制造时的实验次数,使药品生产更加高效、可持续和具有成本效益。根据武田制药公司过程化学开发组的主管之一、该研究的作者Charles Papageorgiou的说法,监测干燥混合物的特性是该行业长期以来一直在努力解决的问题。
“这是很多人都在努力解决的问题,而且目前没有一个好的传感器,”Papageorgiou说,“我认为这是一次相当大的改变,可以实时监测粒子大小分布。”
Papageorgiou表示,该机制在其他工业制药操作中也可能具有应用价值。在某些时候,激光技术可能能够训练视频成像程序,使制造商可以使用相机进行分析,而不是激光测量。该公司现在正在评估实验室中不同化合物的工具。
这些结果直接来自武田制药公司和麻省理工学院的三个部门的合作:机械工程、化学工程和电气工程和计算机科学。在过去的三年中,麻省理工学院和武田制药公司的研究人员已经共同开展了19个项目,旨在将机器学习和人工智能应用于医疗保健和医疗行业的问题中,作为麻省理工学院和武田制药公司合作计划的一部分。
通常,学术研究要转化为工业流程可能需要数年时间。但研究人员有希望通过直接合作来缩短这个时间线。武田制药公司距离麻省理工学院仅有步行距离,这使得研究人员可以在该公司的实验室中进行测试,并获得武田公司的实时反馈,帮助麻省理工学院的研究人员根据公司的设备和操作构建他们的研究。
结合两个实体的专业知识和使命可以帮助研究人员确保他们的实验结果将产生现实世界的影响。该团队已经申请了两项专利,并计划申请第三项。