Pharmaceutical Technology 17 Edición Sudamérica 2026 - N º199 ha demostrado que mejora drásticamente la probabilidad de encontrar el coformador óptimo (en un factor de tres en comparación con el método de prueba y error) 2. Si bien existen obstáculos para la adopción de IA/AA en el desarrollo de formulaciones, como datos históricos fragmentados, inconsistentes y propietarios; la cautela cultural y regulatoria que exige interpretabilidad; y la falta de una infraestructura de automatización integrada para la operacionalización eficaz de los modelos, Bannigan prevé que la IA/AA se convertirá en un componente estándar de los flujos de trabajo de formulación en los próximos uno a tres años. Prevé que estos sistemas se integrarán con plataformas de alto rendimiento, impulsando ciclos de diseño-construcción-aprendizaje más rápidos y utilizando el aprendizaje activo para adaptarse en tiempo real, con el diseño de modelos y la selección de experimentos guiados por grandes modelos de lenguaje (LLM) capaces de sintetizar rápidamente la literatura, los datos históricos y la experiencia en el dominio. En el largo plazo (3-10 años), Bannigan predice que los modelos de base, el aprendizaje federado y el diseño de excipientes basado en IA transformarán el desarrollo de formulaciones, pasando del ensayo y error a la ingeniería de precisión, y que los LLM se convertirán en copilotos científicos especializados. “En este futuro, más terapias avanzarán con éxito desde el desarrollo hasta llegar a los pacientes que las necesitan”, concluye PT SABELLA S.R.L. Referencias 1. Huanbutta, K.; et al. Artificial Intelligence-Driven Pharmaceutical Industry: A Paradigm Shift in Drug Discovery, Formulation Development, Manufacturing, Quality Control, and Post-Market Surveillance. European Journal of Pharmaceutical Sciences, 2024 203, 106938. DOI: 10.1016/j. ejps.2024.106938 2. Merck KgaA, Harnessing AI To Speed Up Drug Formulation.EMD Group Science Space Blog, emdgroup.com. 3. Bannigan, P.; et al. Machine Learning Directed Drug Formulation Development. Advanced Drug Delivery Reviews, 2021 175, 113806. DOI: 10.1016/j.addr.2021.05.016 4. Konagurthu, S. Revolutionizing Drug Development: AI-driven Solutions for Poor solubility and Bioavailability. Patheon Blog, Patheon.com, April 15, 2024. 5. Ting, J.M.; et al., Advances in Polymer Design for Enhancing Oral Drug Solubility and Delivery. Bioconjugate Chemistry, 2018 29 (4), 939-952. DOI: 10.1021/acs.bioconjchem.7b00646 6. Halford, B. Wrestling with Lipinski’s Rule of 5. C & E News, 2023 101 (8). https://cen.acs.org/ pharmaceuticals/drug-discovery/WrestlingLipinski-rule-5/101/i8
RkJQdWJsaXNoZXIy NzE4NDM5