Pharmaceutical Technology 45 Edición Sudamérica 2026 - N º199 en las últimas etapas y respalda una vía más ágil, rentable y exitosa hacia la aprobación regulatoria y el uso clínico. La creciente complejidad crea desafíos Un mayor conocimiento de los mecanismos de las enfermedades y los avances en la síntesis rápida de bibliotecas de compuestos basadas en moléculas cada vez más complejas, muchas de las cuales tienen una solubilidad limitada (y por lo tanto una biodisponibilidad limitada) en condiciones fisiológicas, han creado varios desafíos para lograr un modelado PK/PD eficaz. “Las tendencias emergentes, como las moléculas de alta potencia con índices terapéuticos estrechos y las tecnologías complejas de administración de fármacos (por ejemplo, los inyectables de acción prolongada o las nanopartículas lipídicas), plantean importantes desafíos de modelado”, afirma Traynard. También señala que muchos fármacos candidatos avanzados presentan cinética no lineal, requieren modelos de absorción especializados o interactúan con las barreras biológicas de maneras poco intuitivas. Traynard añade que otro desafío importante surge durante el desarrollo clínico. “Comprender y predecir la gran variabilidad en la respuesta de los distintos pacientes a un fármaco es difícil de descifrar a partir de las muestras limitadas por paciente que se suelen recoger durante los ensayos clínicos”, comenta. Los algoritmos de AI/ML superan muchos desafíos de modelado Según Traynard, los algoritmos de AI/ML son fundamentales para superar muchos de estos desafíos modernos de PK/PD, debido a su capacidad superior para identificar patrones complejos en datos de alta dimensión donde la comprensión mecanicista aún es incompleta. Traynard observa que las aplicaciones más impactantes del modelado PK/PD basado en AI/ML se encuentran en la fase inicial del descubrimiento y en la mejora de
RkJQdWJsaXNoZXIy NzE4NDM5