14 Pharmaceutical Technology Edición Sudamérica 2026 - N º199 Un ejemplo -según Bannigan- es el uso de estas tecnologías como motores de toma de decisiones en laboratorios autónomos y plataformas de formulación automatizadas. “En este caso, el sistema de IA/AA analiza los datos experimentales entrantes en tiempo real, recomienda los experimentos a seguir más informativos e identifica múltiples vías de formulación viables en lugar de converger prematuramente en una única opción”, explica. El sistema también estandariza los flujos de trabajo para que cada proyecto se beneficie del aprendizaje acumulativo de la plataforma. Cuando se integran en plataformas de laboratorio automatizadas, las tecnologías de IA/AA pueden, no solo ayudar a reducir el esfuerzo manual requerido y la variabilidad asociada con la operación humana, sino también permitir la generación de grandes volúmenes de datos experimentales consistentes y de alta calidad que pueden aprovecharse para entrenar y refinar modelos de aprendizaje automático, lo que permite el descubrimiento de patrones y relaciones complejos que de otro modo podrían pasar desapercibidos -agrega Price. Price también señala que la integración de estrategias de "aprendizaje activo" como la optimización bayesiana, que funciona en conjunto con los modelos de AA para seleccionar iterativamente los experimentos más informativos que reducirán de manera más eficiente la incertidumbre del modelo y acelerarán la búsqueda de formulaciones óptimas, mejora este proceso. “Esta sinergia entre la automatización, la IA/AA y el aprendizaje activo permite a los investigadores maximizar el impacto de cada experimento, acelerar la optimización de formulaciones y abordar problemas complejos en el desarrollo de formulaciones”, afirma Price. Añade que “estos avances permiten a los desarrolladores de fármacos innovar con mayor rapidez, reducir costes y tomar decisiones más fiables y basadas en la evidencia a lo largo del ciclo de vida de la formulación”. “El ciclo cerrado, altamente integrado y rico en datos, creado mediante la combinación de automatización, IA/AA y aprendizaje activo no solo acelera el proceso de diseño-construcciónaprendizaje y aumenta la eficiencia experimental, sino que también reduce el consumo de API y aumenta la probabilidad de encontrar formulaciones escalables y de alto rendimien-
RkJQdWJsaXNoZXIy NzE4NDM5