Sudam‚e‚ rica 199 Edición Modelado predictivo para el desarrollo de formulaciones de moléculas pequeñas mediante algoritmos avanzados Avances en la digitalización y la automatización del procesamiento aséptico
2 Edición Sudamérica 2026 - N º199 Pharmaceutical Technology Sumario Edición Nº199 Enero 2026 Artículos ® Sudamerica Pharmaceutical Technology Avances en la digitalización y la automatización del procesamiento aséptico Modelado predictivo para el desarrollo de formulaciones de moléculas pequeñas mediante algoritmos avanzados Mejoras en el bioanálisis y el desarrollo de fármacos con herramientas y tecnologías avanzadas Superación de las dificultades del modelado farmacocinético/ de farmacodinamia (PK/PD) WhatsApp: (+54 9 11) 4424-2885 e-mail: info@edicionesvr.com www.edicionesvr.com Todos los derechos reservados. Pharmaceutical Technology y Pharmaceutical Technology Edición Sudamérica son marcas pertenecientes a MJH Life Sciences TM. PHARMACEUTICAL TECHNOLOGY editada y distribuida por: EDICIONES VR S.A. Buenos Aires, Argentina
4 Edición Sudamérica 2026 - N º199 Pharmaceutical Technology Artículos ® Sudamerica Sumario Artículos Pharmaceutical Technology staff Foto de tapa Adobe Stock DIRECCION DE ARTE Y PRODUCCION: Silvia Lopardo grafica@edicionesvr.com PRODUCCION: Fernanda Estraviz avisos@edicionesvr.com TRADUCCIONES TECNICAS: DMV International Traslations dmw@dmvtranslations.com DIRECCION GENERAL: Lucas A. González lucasgonzalez@edicionesvr.com Dpto. COMERCIAL: Lucas A. González lucasgonzalez@edicionesvr.com Florencia Covello fcovello@edicionesvr.com DPTO. INTERNACIONAL: international@edicionesvr.com ADMINISTRACION: administracion@edicionesvr.com SUSCRIPCIONES: suscripciones@edicionesvr.com www.edicionesvr.com Edición Nº199 Enero 2026 Hot melt extrusion: una técnica clásica con aplicaciones innovadoras en la industria farmacéutica La revolución de la IA en el software para la industria farmacéutica NUESTRAS EMPRESAS Y SUS PRODUCTOS PUBLINOTA
6 Edición Sudamérica 2026 - N º199 Pharmaceutical Technology Modelado predictivo para el desarrollo de formulaciones de moléculas pequeñas mediante algoritmos avanzados Las herramientas avanzadas para el descubrimiento de fármacos están liderando la identificación de moléculas pequeñas cada vez más complejas con propiedades fisicoquímicas que otorgan una prometedora actividad biológica y farmacológica, a la vez que plantean enormes desafíos en el desarrollo de Cynthia A. Challener Este artículo fue publicado anteriormente en Pharmaceutical Technology USA Vol. 49 Nº 10 (2025). Traducido por DMV International Traslations Cynthia A. Challener, PhD, es editora colaboradora de Pharmaceutical Technology® Se prevé que la inteligencia artificial y el aprendizaje automático aumenten las tasas de éxito.
PHARMAPANEL
8 Edición Sudamérica 2026 - N º199 Pharmaceutical Technology formulaciones capaces de administrar el fármaco en su lugar de acción previsto. Muchas propiedades moleculares diferentes que actúan de forma independiente e interdependiente entre sí, así como los diferentes excipientes y tampones de formulación, influyen en la farmacocinética y la farmacodinamia de los API. El uso de métodos empíricos tradicionales para investigar e identificar posibles formulaciones para estas moléculas complejas requiere una cantidad excesiva de tiempo y recursos, en un momento en que la reducción de costos y la aceleración del desarrollo son esenciales para el éxito. Los científicos de formulación están recurriendo a enfoques de modelado predictivo y procesos de formulación de plataformas que aprovechan la inteligencia artificial (IA) y el aprendizaje automático (AA) para evaluar de forma más rápida y exhaustiva los complejos entornos de formulación, incluyendo moléculas complejas y tecnologías avanzadas de administración de fármacos 1–4. El desplazamiento desde el ámbito académico a la aplicación industrial El uso de IA/AA para el desarrollo de formulaciones farmacéuticas industriales se encuentra en una etapa incipiente. “Gran parte del progreso hasta la fecha proviene de la investigación académica, que a menudo impulsa la innovación futura de la industria, así como de startups emergentes y la mejora constante de los modelos de código abierto”, afirma Pauric Bannigan, director científico y cofundador de Intrepid Labs. “El interés está creciendo rápidamente, impulsado por el mayor reconocimiento del potencial de la IA/AA para explorar espacios de diseño de formulaciones de alta dimensión, optimizar la selección de excipientes y predecir la estabilidad o el rendimiento de la liberación antes de un extenso trabajo de laboratorio”, observa Bannigan. Frente a estos desarrollos y los rápidos avances en la automatización de laboratorios, él cree que es solo cuestión de tiempo antes de que la IA y el AA se apliquen ampliamente al desarrollo de formulaciones.
Pharmaceutical Technology 9 Edición Sudamérica 2026 - N º199 ¿Cómo se superan los crecientes desafíos de formulación? Los desarrolladores de fármacos de moléculas pequeñas enfrentan varios desafíos, y muchos de ellos son adecuados para ser abordados mediante enfoques de IA/AA, según Bannigan. Daniel Joseph Price, director del Negocio de Excipientes y miembro del equipo de Soluciones de Proceso en la división de Ciencias de la Vida de Merck KGaA, Darmstadt, Alemania, comenta que la principal preocupación es la baja solubilidad de los fármacos. Aproximadamente entre el 70 % y el 90 % de los fármacos actualmente en desarrollo presentan este problema 5. “Esta dificultad es aún mayor para los nuevos fármacos candidatos, que a menudo superan la Regla de los Cinco de Lipinski 6, que establece los criterios fundamentales para la biodisponibilidad oral. En este contexto, superar los problemas de solubilidad para garantizar una administración oral eficaz del fármaco y, por lo tanto, mejorar la aceptación del paciente sigue siendo fundamental”, enfatiza Price. Otras dificultades destacadas por Bannigan para la formulación de moléculas pequeñas incluyen lograr una cinética de liberación precisa para sistemas de liberación controlada y sostenida, identificar la robustez en etapas tempranas para la ampliación y la viabilidad de fabricación, y minimizar el desperdicio de API durante el cribado. “Cada uno de estos desafíos es un problema multidimensional en el que docenas de componentes de la formulación y parámetros del proceso interactúan de forma no lineal”, afirma. Las formulaciones que abordan estos aspectos clave suelen incluir múltiples excipientes. Por lo tanto, es necesario investigar diferentes combinaciones de excipientes, junto con diferentes concentraciones de formulación y parámetros de procesamiento (p. ej., velocidad y tiempo de mezcla, control de temperatura, fuerza de compresión, método y velocidad de secado, etc.) para identificar el diseño óptimo de la formulación.
10 Edición Sudamérica 2026 - N º199 Pharmaceutical Technology Incluso con restricciones estrictas, el margen de exploración puede ser enorme, según Bannigan. La formulación farmacéutica, añade, es un desafío de alta dimensión y datos dispersos, donde docenas de excipientes y parámetros de proceso interactúan de forma no lineal. Como ejemplo, señala que con tres excipientes, cinco concentraciones posibles y cinco parámetros de proceso con tres configuraciones cada uno, el número total de posibles formulaciones únicas sería de 3.645.000. Y ese sería un caso conservador. “En realidad, las formulaciones suelen utilizar más excipientes en proporciones variables con parámetros de proceso adicionales, lo que eleva las posibilidades a decenas o cientos de millones”, afirma. Explorarlas todas simplemente no es posible con los enfoques convencionales, que incluyen los sistemas de modelado predictivo que aprovechan los métodos estadísticos convencionales. La promesa de la IA/AA Bannigan observa que sin IA/AA innumerables formulaciones innovadoras, y aún más importante, los medicamentos que podrían hacer posibles, permanecerán sepultadas en el ruido, invisibles a los enfoques tradicionales de ensayo y error. “La IA/AA puede simplificar esta complejidad modelando estas interacciones, aprendiendo de cada resultado experimental y dirigiendo la exploración hacia las áreas más informativas y prometedoras del espacio de diseño”, afirma. En concreto -señala Bannigan- la IA/AA puede mapear relaciones complejas y multiobjetivo entre componentes y rendimiento; identificar soluciones prometedoras que la intuición humana podría pasar por alto; y adaptarse en tiempo real a medida que llegan nuevos datos experimentales mediante el aprendizaje activo. “Al navegar eficientemente por vastos espacios combinatorios, la IA/AA no solo acelera el descubrimiento de formulaciones robustas y escalables, sino que también reduce el desperdicio de API, aumenta la probabilidad de alcanzar los perfiles de producto objetivo y permite identificar medicamentos ocultos de alto potencial”, observa. La aplicación de IA/AA en el desarrollo de formulaciones ofrece un enfoque transformador a los desafíos actuales de
12 Pharmaceutical Technology Edición Sudamérica 2026 - N º199 la formulación, coincide Price. "Mediante el uso de IA/AA, los científicos pueden optimizar el proceso de formulación, reduciendo eficazmente el margen de diseño. Esto les permite concentrarse en formulaciones y excipientes que probablemente tengan un impacto significativo, en lugar de perderse en exhaustivas pruebas de ensayo y error". “Además, la IA/AA permite a los investigadores explorar una gama más amplia de opciones, facilitando soluciones innovadoras sin la gran inversión de tiempo que suelen requerir los ensayos de formulación tradicionales”. Por ejemplo, prevé que las empresas aprovechen las tecnologías de IA/AA para investigar una gama más amplia de productos químicos y soluciones, probando cosas que van más allá de lo obvio, lo que fomenta una mayor innovación en la formulación de fármacos. “Este cambio estratégico podría, en última instancia, conducir a terapias más eficaces y mejores resultados para los pacientes”, afirma. Mejora del modelado de formulación predictiva Según Price, el desarrollo de formulaciones se ha basado tradicionalmente en modelos mecanicistas o simplificados para guiar la toma de decisiones y optimizar los resultados. Algunos ejemplos incluyen el uso de la ecuación de Arrhenius para predecir la estabilidad de los fármacos en condiciones aceleradas, o la Regla de los Cinco de Lipinski, que proporciona una comprensión heurística para evaluar la similitud farmacológica y la biodisponibilidad oral de moléculas pequeñas. Estos modelos, basados en la fisicoquímica y en reglas empíricas, han aportado un valor significativo, aunque a menudo requieren datos limitados para producir resultados precisos e interpretables para sistemas bien comprendidos, señala Price. La mayor complejidad de los fármacos candidatos actuales, combinada con el mayor volumen y variedad de datos de formulación disponibles, revela las limitaciones de los modelos mecanísticos para resolver algunos desafíos de formulación, afirma Price. Muchas moléculas de fármacos nuevos quedan fuera del ámbito químico de la "regla de cinco" y presentan comportamientos que no se pueden captar fácilmente mediante ecuaciones convencionales. En este panorama en constante evolución, los modelos de IA/AA ofrecen ventajas distintivas. Los algoritmos de AA pueden procesar y aprender de grandes conjuntos de datos multidimensionales, capturando relaciones sutiles y no lineales entre las variables de la formulación y resultados como la solubilidad, la estabilidad y la biodisponibilidad, comenta Price. A diferencia de los modelos mecanísticos, añade, los enfoques de AA no se limitan a suposiciones predefinidas y pueden descubrir patrones que podrían ser invisibles para los expertos humanos. Esto permite a los científicos de formulación explorar un espacio de diseño mucho más amplio, acelerar los ciclos de optimización y abordar desafíos de formulación que, de otro modo, serían insolubles con los métodos tradicionales. Por lo tanto, si bien los modelos mecanísticos siguen
13 Pharmaceutical Technology siendo herramientas fundamentales en la ciencia de la formulación, Price cree que los modelos de IA/AA ofrecen potentes capacidades complementarias, especialmente para nuevos escenarios de desarrollo de fármacos. Según Bannigan, también es ventajoso que los algoritmos de IA/AA se puedan integrar directamente en los enfoques de modelado predictivo existentes, convirtiendo lo que suele ser un plan experimental estático en un proceso dinámico y adaptativo. “En lugar de ejecutar un conjunto fijo de pruebas diseñadas inicialmente mediante enfoques de diseño de experimentos, la IA/AA comienza con un número reducido de experimentos, aprende de los resultados y actualiza instantáneamente sus recomendaciones para la siguiente ronda. "Este ciclo se repite, centrándose en las partes más prometedoras del espacio de formulación y evitando las rutas improductivas”, explica Bannigan. Las ventajas sobre los enfoques tradicionales incluyen velocidad, eficiencia y alcance. “Los modelos predictivos que aprovechan la IA/AA permiten identificar formulaciones de alto potencial más rápidamente utilizando menos API y, a menudo, encuentran soluciones a las que los métodos convencionales ni siquiera se acercan”, concluye. La mejora de las estrategias de formulación de plataformas La IA/AA también puede utilizarse para mejorar los procesos de la plataforma para el desarrollo de formulaciones.
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-
LAB. FRASCA
16 Edición Sudamérica 2026 - N º199 Pharmaceutical Technology to”, afirma Bannigan. Cree que este proceso inteligente e iterativo ayudará a las empresas a identificar nuevos enfoques de formulación y, en última instancia, nuevos medicamentos transformadores que, de otro modo, permanecerían sin descubrir. Aumentar la probabilidad de éxito de los candidatos El desarrollo acelerado de formulaciones y la identificación de nuevas estrategias de formulación no son las únicas ventajas de aprovechar las tecnologías de IA/AA al explorar los campos de formulación. Al enfocar rápidamente el desarrollo en formulaciones con la mayor probabilidad prevista de cumplir con los perfiles de producto objetivo, la IA/AA también reduce tanto el desgaste temprano como los fallos en etapas tardías debido a problemas relacionados con la química, la fabricación y los controles -según Bannigan. Este enfoque específico mejora la correlación in vitro-in vivo desde el principio, garantiza la identificación temprana de formulaciones escalables y conserva el API para que los equipos puedan explorar candidatos de respaldo en paralelo. El resultado es una mayor probabilidad de que los fármacos de moléculas pequeñas prometedores superen el desarrollo y lleguen a manos de los pacientes, lo que hace que las terapias potenciales se conviertan en medicamentos reales y listos para el mercado con mayor rapidez y menor riesgo - afirma Bannigan. Un ejemplo relevante para la industria es un modelo predictivo desarrollado por Merck KGaA, Darmstadt, Alemania, para predecir con precisión y fiabilidad los coformadores de cocristales para una gama de API sin necesidad de experimentos previos. Según Price, los cocristales óptimos suelen presentar solubilidades significativamente mayores que el API original, pero identificarlos puede ser un desafío. El modelo basado en IA se entrenó utilizando un amplio conjunto de datos cuidadosamente seleccionado de fármacos de prueba y coformadores que abarcan un amplio espectro químico, complementado con datos experimentales específicos, y
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
18 Edición Sudamérica 2026 - N º199 Pharmaceutical Technology Avances en la digitalización y la automatización del procesamiento aséptico A medida que ha aumentado el número de fármacos biológicos en el mercado farmacéutico, la importancia de la fabricación aséptica ha crecido de forma constante. Garantizar la esterilidad para diversas modalidades y formatos, tamaños y volúmenes de productos (p. ej., viales, casetes, jeringas/plumas precargadas, sistemas de administración de microdosis, sistemas de administración intranasal, dispositivos corporales, bolsas, Cynthia A. Challener La creciente diversidad y complejidad de los productos farmacéuticos inyectables está impulsando la innovación. Este artículo fue publicado anteriormente en Pharmaceutical Technology USA Vol. 49 Nº10 (2025). Traducido por DMV International Traslations Cynthia A. Challener, PhD es editora colaboradora de Pharmaceutical Technology ®
HOGNER
20 Pharmaceutical Technology Edición Sudamérica 2026 - N º199 etc.), muchos de los cuales son cada vez más potentes, también se ha vuelto más difícil. La innovación en las tecnologías de procesamiento ha sido esencial para abordar las necesidades cambiantes de los fabricantes. Las áreas clave de desarrollo han incluido la digitalización y las soluciones de automatización. Repetibilidad y velocidad con calidad y rendimiento mejorados La digitalización y la automatización ofrecen numerosas ventajas a las operaciones de procesamiento aséptico. Dos de las más importantes, según Alex Strauss, ingeniero principal sénior de equipos de proceso de Curia, son una mayor velocidad combinada con una mejor repetibilidad. “La clave de la automatización reside en un enfoque basado en recetas que esté calificado. Cuando el operador selecciona la receta, el proceso es repetible. Además, procesos como la inspección visual pueden completarse mucho más rápido que con operadores humanos y con una precisión increíble”, explica. Los nuevos sistemas de llenado, añade Tom Clemens, director sénior de ingeniería e instalaciones de Lifecore Biomedical, realizan comprobaciones de peso no destructivas de cada producto inmediatamente después del llenado, lo que mejora la calidad y aumenta el rendimiento de los lotes. Muchos también incluyen sistemas automatizados de verificación por cámara para comprobar el crimpado de los viales y la colocación de los tapones. “Cuando se detecta un problema, el sistema puede detener automáticamente la línea para que se pueda investigar de inmediato, evitando así costosas pérdidas de material y posibles retrasos mucho mayores en la producción”, afirma. Impacto de la creciente adopción de aisladores Muchos productos biológicos más recientes, como los conjugados anticuerpofármaco, los radio-inmunoconjugados y las terapias celulares y génicas, requieren soluciones de alta contención para garantizar la seguridad del operador. La diversidad de productos con alta actividad producidos en instalaciones multiproducto también ha creado la necesidad de soluciones eficaces que reduzcan los riesgos de contaminación cruzada. Según Clemens, regulaciones como los requisitos del Anexo 1 de la Unión Europea 1 también han impulsado considerablemente la adopción de la tecnología de aisladores para aumentar la seguridad de los productos, minimizando el posible impacto humano en los medicamentos estériles. Por lo tanto, muchos fabricantes han optado por el uso de aisladores para el procesamiento aséptico. “Debido a la naturaleza de estos sistemas de llenado cerrados basados en aisladores, se han incorporado la automatización y la robótica para realizar los pasos de procesamiento necesarios en un entorno estéril”, observa Clemens. Por ejemplo, señala que, si bien los sistemas más antiguos podían requerir que un operador retirara la tapa de un recipiente de viales o jeringas listos para usar (RTU), muchas nuevas llenadoras de aisladores utilizan sistemas automatiza-
Pharmaceutical Technology 21 Edición Sudamérica 2026 - N º199 dos que calientan el adhesivo de la tapa y luego la retiran del recipiente con diversos rodillos. “Este enfoque -afirma Clemens- reduce el contacto humano y la posible generación de partículas”. Inspección visual automatizada Las operaciones de inspección visual son otra área que se ha beneficiado significativamente de los avances en las tecnologías de automatización y digitalización. Estos sistemas de inspección visual automatizada utilizan cámaras de alta velocidad y software avanzado para verificar automáticamente la presencia de partículas y defectos, y pueden operar a velocidades bastante altas, según Strauss. El sistema Syntegon implementado en las instalaciones de Curia en Albuquerque, Nuevo México, por ejemplo, puede inspeccionar 400 viales por minuto, igualando la velocidad de llenado del sistema de llenado Igualmente importante es el hecho de que ahora existen nuevos sistemas de inspección visual automatizada que pueden evaluar con fiabilidad formulaciones de alta viscosidad (superiores a 100.000 centipoises) en viales y jeringas, algo que antes no era posible. “Los sistemas de inspección visual automatizada tradicionales giran un vial o jeringa y utilizan una cámara para evaluar el movimiento interno del producto e identificar contaminantes, lo cual no es una estrategia adecuada para formulaciones viscosas, ya que no fluyen de
22 Edición Sudamérica 2026 - N º199 Pharmaceutical Technology la misma manera que las soluciones de menor viscosidad”, explica Clemens. Los sistemas más recientes -comenta- incorporan cámaras adicionales y procesamiento avanzado de imágenes virtuales para identificar partículas y defectos, e incluso pueden mejorar el rendimiento con el tiempo mediante la incorporación de algoritmos de aprendizaje automático. La robótica simplifica las operaciones Los sistemas robóticos no solo facilitan la incorporación de procesos de llenado aséptico en aisladores y actividades de inspección visual. Se han implementado ampliamente en procesos de fabricación de medicamentos estériles para automatizar diversas tareas repetitivas, como el llenado, sellado y etiquetado de viales. Al automatizar estas actividades, se minimiza la interacción humana con los medicamentos estériles, lo que reduce el riesgo de contaminación. Además, los sistemas robóticos minimizan las pérdidas de producto y permiten el llenado preciso de productos que requieren volúmenes muy pequeños. Los sistemas robóticos también pueden eliminar algunos de los pasos necesarios cuando los operadores humanos participan más en el proceso de llenado aséptico. Por ejemplo, el sistema VarioSys Flex Line en sus instalaciones de Albuquerque, Nuevo México, utiliza robótica para extraer viales de un recipiente preesterilizado, lo que elimina así la necesidad de una lavadora de viales y un túnel de esterilización, según Eric Schneider, director de ingeniería de equipos globales de Curia. “En los sistemas manuales, no es posible extraer asépticamente los envases primarios sin obstruir el flujo de aire primario (flujo de aire filtrado unidireccional ininterrumpido que proporciona un entorno estéril) ni exponer los viales a arañazos, etc., lo que requiere pasos adicionales”, afirma Schneider. Con la línea VarioSys Flex, se minimizan las intervenciones del operador, lo que simplifica el proceso al tiempo que mejora la calidad y la seguridad. Schneider advierte, sin embargo, que incluso los mejores sistemas de robótica y automatización aún dependen de operadores humanos. “Los programas de capacitación para operadores son esenciales”, enfatiza. Para abordar esta
24 Edición Sudamérica 2026 - N º199 Pharmaceutical Technology necesidad, Curia opera la Universidad Estéril, un programa diseñado para brindar capacitación a nuevos empleados y educación continua a todo el personal de fabricación y calidad mediante un entorno de fabricación simulado que replica las instalaciones, los equipos, las operaciones y los protocolos de la empresa. Mejoras en los análisis automatizados y digitalizados La automatización y digitalización de los análisis que respaldan el procesamiento aséptico también ofrece varias ventajas. Una de ellas, según Jon Kallay, especialista sénior en cartera científica de soluciones microbianas de Charles River Laboratories, ha sido la facilitación de la adopción de técnicas de análisis rápido que permiten una liberación más rápida de productos, garantizando al mismo tiempo su calidad. Un desafío con los productos biológicos complejos, señalado por Kallay, es la tendencia de estos productos a presentar turbidez durante las pruebas rutinarias de esterilidad debido a sus propiedades fisicoquímicas. La identificación de dicha turbidez durante las inspecciones visuales manuales suele EDICIONES VR
25 Pharmaceutical Technology dar lugar a un largo proceso de evaluación para confirmar que no se debe a contaminación. Los métodos de prueba rápidos que evalúan múltiples atributos, como la detección de trifosfato de adenosina, respiración y otros indicadores microbianos, al combinarse con el análisis automatizado de los resultados, proporcionan indicadores precisos y eliminan el aspecto subjetivo de los resultados, afirma Kallay. “Los analistas ya no necesitan agitar una botella para determinar si se ajusta a su concepto de 'turbidez'. Los resultados se analizan automáticamente y se determinan como positivos o negativos según los estándares establecidos durante la validación de la tecnología”, afirma. “Los resultados objetivos eliminan procedimientos innecesarios y permiten una rápida liberación del producto a los pacientes”, concluye Kallay. Además, un acceso más rápido a los resultados de las pruebas permite a los usuarios responder con rapidez ante cualquier evento de contaminación que pueda afectar las instalaciones y otros lotes de producto. La digitalización del proceso de prueba también mejora la integridad de los datos. Según Kallay, los errores de documentación son comunes cuando los resultados de las pruebas se gestionan manualmente. Sin embargo, con las tecnologías de pruebas digitales, los materiales y los resultados se documentan inmediatamente y se transcriben automáticamente al sistema de almacenamiento de datos del sistema de gestión de información de laboratorio (LIMS), lo que evita errores del operador.
26 Edición Sudamérica 2026 - N º199 Pharmaceutical Technology La monitorización en tiempo real es un cambio radical La capacidad de recopilar datos de fabricación en tiempo real durante el procesamiento aséptico ha sido, según Clemens, un verdadero punto de inflexión, ya que ha permitido supervisar la calidad de forma proactiva en lugar de reactiva. Lifecore Biomedical, por ejemplo, utiliza un panel de control que se muestra en monitores distribuidos por toda la planta para supervisar las operaciones de fabricación en tiempo real e identificar y resolver rápidamente las paradas de la línea. “El análisis de tendencias y la identificación de variaciones, como las que se producen entre turnos, también facilitan la identificación de grupos específicos de operadores que podrían beneficiarse de formación adicional u oportunidades para mejorar la combinación de niveles de experiencia de los operadores dentro de los turnos”, señala Clemens. Un ejemplo específico de un avance importante en la monitorización en tiempo real, según Laura Choteau, gerente de control de calidad de Catalent Biologics, ha sido la introducción de la monitorización en tiempo real de partículas visibles. “Hoy en día, la automatización nos permite leer las placas de cultivo desde el inicio de la incubación hasta el final, con trazabilidad completa de la ubicación y el estado de la placa durante todo el proceso. Como resultado, podemos detectar riesgos de contaminación mucho antes y responder de inmediato. Esto reduce la probabilidad de contaminación recurrente y nos ayuda a identificar la causa raíz”, comenta. Otros ejemplos notables de herramientas de tecnología analítica de procesos que mejoran las operaciones de procesamiento aséptico, según Jean-François Boé, director sénior de desarrollo de fármacos de Catalent Biologics, son los sistemas de espectrometría de masas y espectroscopía Raman integrados en las unidades de preparación de compuestos o de llenado/acabado. “Los datos generados por estos instrumentos nos brindan visibilidad en tiempo real de los parámetros críticos
28 Pharmaceutical Technology Edición Sudamérica 2026 - N º199 del proceso. A largo plazo, este nivel de control podría reducir la necesidad de las pruebas tradicionales de liberación final, trasladando el control de calidad a etapas anteriores y más cercanas al punto de fabricación”, afirma. Al igual que Schneider, Boé enfatiza el papel que aún desempeñan los operadores humanos en muchas actividades de monitoreo. Por ejemplo, los sistemas de monitoreo del aire en áreas de Grado A aún requieren que los operadores inserten placas de cultivo, generalmente utilizando puertos para guantes. Esta necesidad conlleva un riesgo pequeño pero real de contaminación, así como la posibilidad de que se omita accidentalmente la inserción de las placas, lo que crearía una brecha en el monitoreo y plantearía dudas durante la revisión de lotes. Estos problemas podrían evitarse, afirma Boé, con el uso de robótica para instalar las placas, lo que “añadiría una capa de confiabilidad a las operaciones asépticas y aumentaría la confianza en el proceso”. El nuevo software de gestión de datos tiene el mismo impacto La automatización en el análisis existe desde hace tiempo y continúa mejorando con los avances tecnológicos. Según Choteau, lo que ha impulsado un cambio real ha sido la forma en que se gestionan y utilizan los datos generados. “La gestión de datos desempeña un papel fundamental para ayudarnos a actuar con mayor rapidez y tomar decisiones más inteligentes en entornos asépticos. Las plataformas LIMS modernas ahora nos permiten automatizar cálculos y realizar análisis de tendencias de forma continua, lo que proporciona información más frecuente y fiable, ayuda a garantizar la precisión y permite a los equipos de calidad concentrarse en las investigaciones cuando aparecen tendencias anormales”, explica. Mientras tanto, el software de visualización e informes listo para usar y fácil de usar ha permitido a los equipos de ingeniería utilizar los datos de una manera que antes requería una mayor participación del personal de tecnología de la información, señala Clemens. Por ejemplo, Lifecore Biomedical realiza un seguimiento digital de todas las intervenciones de línea. “Que los operadores identifiquen los motivos de las intervenciones de forma consistente en cada turno permite a nuestros equipos de ingeniería identificar tendencias y tomar medidas correctivas antes de que surjan problemas reales”, afirma. Además, se incrementa la eficiencia y el control del proceso. “La automatización ofrece mayor control y trazabilidad. Minimiza los errores de muestreo, confirma que se han tomado todas las muestras necesarias y proporciona un registro claro de cada acción. Esto contribuye a mantener el cumplimiento normativo y fortalece la confianza en nuestros procesos”, afirma Choteau. Sin embargo, la capacitación del personal, al igual que en otros aspectos de la digitalización y la automatización del procesamiento aséptico, sigue siendo un componente esencial. Según Choteau, es
Pharmaceutical Technology 29 Edición Sudamérica 2026 - N º199 fundamental mantener la preparación de los operadores para responder ante fallos del sistema, y el personal debe ser capaz de gestionar las operaciones manualmente cuando sea necesario. La seguridad de los datos, añade, es igualmente importante. “Proteger los datos de las ciberamenazas y garantizar su integridad sigue siendo una prioridad absoluta a medida que más sistemas se conectan y automatizan”, observa Choteau. Los gemelos digitales apoyan la simulación eficaz de procesos El modelado es un aspecto importante de la digitalización que beneficia a muchas actividades de desarrollo de procesos y fabricación, lo que incluye las operaciones de producción estéril. La tecnología de gemelos digitales, por ejemplo, cobra cada vez más importancia en la fabricación de fármacos y comienza a mostrar potencial en las operaciones de llenado y acabado aséptico, según Boé. Los gemelos digitales en el contexto de la fabricación farmacéutica son modelos virtuales de procesos que se actualizan continuamente con datos en tiempo real, lo que permite evaluar el rendimiento. “Al crear una réplica digital de equipos y procesos, los gemelos digitales nos ayudan a simular escenarios, predecir resultados y optimizar parámetros antes de pasar a la implementación física”, afirma. Boé considera este enfoque especialmente útil durante la transferencia de procesos, ya que permite a los equipos anticipar riesgos, reducir la variabilidad y evitar retrasos costosos. La inteligencia artificial tiene un valor creciente Los gemelos digitales no son el único ejemplo de cómo la automatización y la digitalización se combinan con la inteligencia artificial (IA), el aprendizaje automático (AA) y otras capacidades informáticas avanzadas para optimizar aún más el procesamiento aséptico. Al combinarse, estas innumerables tecnologías aceleran los plazos y optimizan el control de procesos, según Boé. Como ejemplo, señala los beneficios que los modelos basados en IA pueden aportar a los procesos de liofilización. En particular, señala que pueden utilizarse para optimizar el desarrollo del ciclo, reduciendo significativamente el tiempo necesario para alcanzar un proceso robusto e impactando positivamente en la puntualidad del proyecto y la eficiencia de los recursos. De hecho, Boé prevé que la IA y el ML desempeñarán un papel aún más importante y aportarán un valor creciente a medida que la complejidad (relacionada con productos, procesos y equipos) siga aumentando. “La IA y el ML no solo facilitan el análisis de datos y las tendencias, la predicción de fallos y la optimización del flujo de trabajo, sino que también facilitan una toma de decisiones más informada. Todos estos beneficios se traducen, en última instancia, en una mayor eficiencia y fiabilidad de las operaciones de fabricación aséptica”, concluye Referencias 1. EC. Annex 1. Manufacture of Sterile Products. EudraLex–Volume 4–Good Manufacturing Practice (GMP) Guidelines. August 2023. PT
30 Edición Sudamérica 2026 - N º199 Pharmaceutical Technology Mejoras en el bioanálisis y el desarrollo de fármacos con herramientas y tecnologías avanzadas El bioanálisis se utiliza en el desarrollo de fármacos para determinar la farmacología, la biodisponibilidad y la bioequivalencia, e incluye la evaluación farmacocinética, toxicocinética o de la concentración de biomarcadores 1. Los organismos reguladores exigen la valiSusan Haigney Este artículo fue publicado anteriormente en Pharmaceutical Technology USA Vol. 49 Nº10 (2025). Traducido por DMV International Traslations Susan Haigney es editora principal de BioPharm International®. La inteligencia artificial, el aprendizaje automático y los nuevos instrumentos están ayudando a los desarrolladores de fármacos a evaluar datos complejos de los estudios bioanalíticos.
32 Pharmaceutical Technology Edición Sudamérica 2026 - N º199 dación de los métodos bioanalíticos para garantizar su eficacia 1. Las herramientas avanzadas, como la inteligencia artificial (IA) y el aprendizaje automático (AA), ayudan a los desarrolladores de fármacos a evaluar los datos complejos que implican este tipo de estudios, especialmente para nuevas terapias, y a generar nuevos conocimientos a partir de ellos. La evolución en el campo de las técnicas de bioanálisis suele estar impulsada por la necesidad de abordar las modalidades de analitos, en concreto, fármacos biológicos, metabolitos y biomarcadores, según Steve Lowes, director sénior de Asuntos Científicos de IQVIA Laboratories. “La sensibilidad es el desafío habitual, acentuado por el interés en lograr la cuantificación necesaria con una muestra lo más pequeña posible”, explica. “Por lo tanto, tenemos tres factores que se combinan. Uno es una mayor sensibilidad. Segundo, se espera que trabajemos con una muestra más pequeña, y tercero, la creciente complejidad de las propias modalidades de los analitos”. ¿Cómo benefician la IA y el ML al bioanálisis? Si bien el uso inicial de IA/ML se centró en informes, control de calidad de la validación de ensayos y análisis de muestras de estudios, estas tecnologías se están adoptando cada vez más en bioanálisis para aplicaciones validadas en desarrollo - según Mark Arnold, propietario y director de Bioanalytical Solution Integration. “A medida que las capacidades de la IA han avanzado, también lo han hecho las aplicaciones en bioanálisis”, afirma. “Las nuevas aplicaciones buscan adoptar protocolos de BPL (buenas prácticas de laboratorio) o BPC (buenas prácticas clínicas) y contratos bioanalíticos para redactar planes bioanalíticos y realizar controles de calidad que integren datos de ELN (cuaderno electrónico de laboratorio), instrumentos y LIMS (sistema de gestión de información de laboratorio) a diario para detectar errores de forma temprana e identificar tendencias que conducen a fallos antes de que ocurran”. La IA/ML ayuda a automatizar el procesamiento de datos e integrar conjuntos de datos complejos de plataformas analíticas, lo que mejora la precisión de los ensayos y la toma de decisiones, según Stuart McDougall, investigador principal de Arcinova. “Los modelos predictivos basados en IA facilitan el control de calidad en tiempo real, mientras que los algoritmos de aprendizaje automático identifican tendencias y anomalías para garantizar el cumplimiento normativo”, señala. “Juntos, reducen los plazos de desarrollo, mejoran la eficiencia operativa y promueven la innovación escalable basada en datos a lo largo del ciclo de vida del desarrollo de fármacos. Al integrarse en sistemas como LIMS, estos conocimientos se vinculan directamente con el contexto científico, no solo con cifras en una pantalla”. Yasmin Emamgholi, PhD, gerente de producto de LabVantage Solutions, añade: “En lugar de pasar horas analizando datos de ensayos o cromatogramas, estas soluciones pueden detectar tendencias y patrones sutiles en tiempo real. Durante el desarrollo, los modelos pueden sugerir
Pharmaceutical Technology 33 Edición Sudamérica 2026 - N º199 cómo podría comportarse un compuesto, detectar valores atípicos o incluso predecir interacciones antes de que se manifiesten en el laboratorio. En el ámbito de la fabricación, la IA puede detectar señales tempranas en el control de calidad, para que los problemas no se conviertan en fallos costosos”. Emamgholi también destaca la IA con agentes, que puede analizar datos y realizar tareas en todo el flujo de trabajo del bioanálisis. “Por ejemplo, las soluciones de IA con agentes pueden ayudar en el desarrollo y la optimización de ensayos mediante el diseño autónomo de experimentos y la optimización de circuito cerrado”, explica Emamgholi. “Estas soluciones también pueden ayudar en la fabricación y el control de calidad mediante el análisis autónomo de datos de bioensayos en proceso, el seguimiento de anomalías y la ayuda en la resolución predictiva de problemas, lo que incluye la detección temprana de problemas en ensayos o equipos y la activación de mantenimiento preventivo antes de que se produzcan fallos”. Estas tecnologías también pueden respaldar el modelado predictivo, según Theo de Boer, PhD, científico principal y director científico de LCMS en Ardena, lo que permite la detección rápida de patrones de biomarcadores complejos y un modelado farmacocinético y farmacodinámico mejorado. Long Yuan, director del Departamento de Metabolismo y Farmacocinética de Fármacos de Biogen, también considera que la IA/ML es beneficiosa para la interpretación de datos.
34 Edición Sudamérica 2026 - N º199 Pharmaceutical Technology “Por ejemplo, la IA puede facilitar la integración automatizada de la detección de picos, el cálculo y la generación de datos de concentración, e incluso integrarse con el proceso posterior de generación de informes”, afirma, y añade que la IA/ML puede generar protocolos de estudio e informes de validación. “Finalmente, las empresas biotecnológicas y farmacéuticas utilizarán la IA para redactar las secciones bioanalíticas de sus presentaciones”, asegura Arnold. “Las autoridades sanitarias también consideran la IA como una herramienta para analizar datos en las presentaciones y durante las inspecciones in situ o remotas de los laboratorios bioanalíticos. Los análisis resultantes pondrán de manifiesto el cumplimiento de la normativa y detectarán problemas y errores que requieren una revisión más exhaustiva”. Arnold advierte que se deben implementar controles para el uso de IA en bioanálisis regulados a fin de evitar alucinaciones o la creación de datos no proporcionados. “Desconocer la exactitud del contenido del informe no es algo que los laboratorios bioanalíticos puedan arriesgar, lo que resultaría en el uso de los mismos o mayores recursos de control de calidad y garantía de calidad para garantizar la precisión del informe”, afirma. “Esto contradice el objetivo de la IA: reducir la intervención humana y mejorar la precisión”. Los registros de auditoría que demuestran si los datos llegaron al lugar correcto pueden ayudar a prevenir este problema, sugiere Arnold. ¿Cómo mejoran los LLM los flujos de trabajo? Los flujos de trabajo bioanalíticos pueden optimizarse y el cumplimiento normativo puede respaldarse mediante la incorporación de grandes modelos de lenguaje (LLM) en el bioanálisis, afirma McDougall. Los LLM pueden automatizar la documentación e interpretar conjuntos de datos complejos. “Estos flujos de trabajo agilizan la generación de informes al generar resúmenes de métodos, protocolos de validación y registros listos para auditoría a partir de datos estructurados y no estructurados”, afirma McDougall. “Los LLM también ayudan a optimizar los protocolos analizando el rendimiento
Pharmaceutical Technology 35 Edición Sudamérica 2026 - N º199 IONICS histórico de los ensayos y sugiriendo mejoras. Integrados con los sistemas de laboratorio, permiten la consulta de datos experimentales en lenguaje natural, lo que agiliza la toma de decisiones. Además, los LLM facilitan la formación y la transferencia de conocimientos al resumir la literatura científica y los procedimientos operativos estándar (SOP), lo que mejora la coherencia y reduce el tiempo de incorporación. Su capacidad para contextualizar y comunicar los conocimientos científicos los convierte en herramientas valiosas en el bioanálisis moderno”. Yuan cree que los LLM pueden mejorar el cumplimiento normativo de las prácticas de control de calidad y garantía de calidad al ayudar a revisar las ELN y los registros de auditoría, así como a crear SOP. “Los LLM pueden ser más interactivos con las personas. Se asemejan más a una persona real. Por lo tanto, una persona puede obtener orientación y asistencia para la resolución de problemas y los flujos de trabajo bioanalíticos habituales”. “Los LLM pueden ayudar a crear un gemelo digital conversacional al proporcionar una interfaz de lenguaje natural para
36 Pharmaceutical Technology Edición Sudamérica 2026 - N º199 los flujos de trabajo bioanalíticos, lo que permite a los científicos interactuar con sus conjuntos de datos de análisis”, afirma Panchali Roychoudhury, director sénior de TCG Digital (parte de la empresa matriz de LabVantage, The Chatterjee Group). LabVantage Analytics utiliza un enfoque híbrido para integrar gráficos de conocimiento semántico con modelos GenAI basados en recuperación-generación aumentada (RAG) para crear “un sistema más preciso, completo, contextualmente consciente y escalable, con una reducción sustancial de las alucinaciones”, según Roychoudhury. “Las respuestas también son rastreables y se vinculan a experimentos o compuestos relacionados. Esta combinación reduce el ruido, agiliza la toma de decisiones y fortalece la confianza en los flujos de trabajo bioanalíticos”. De Boer señala que “los LLM podrían contribuir a automatizar la interpretación de datos, facilitar la preparación para auditorías y mejorar la gestión del conocimiento en todos los proyectos. Si bien su adopción en bioanálisis sigue siendo limitada hoy en día, los avances continuos sugieren que los LLM contribuirán cada vez más a acelerar la investigación, reducir las cargas administrativas y mejorar la integración de datos científicos complejos”. Instrumentación nueva y única Según McDougall, la clave para desarrollar medicamentos seguros y eficaces es la capacidad de realizar una cuantificación precisa y la caracterización estructural de moléculas complejas, lo que se puede lograr con espectrometría de masas de alta resolución (HRMS). También señala el uso de sistemas automatizados de manipulación de líquidos y microfluídica para mejorar el procesamiento de muestras. “Estos instrumentos son únicos por su integración con sistemas digitales, su compatibilidad con análisis basados en IA y su capacidad para manejar productos biológicos y ensayos multiplexados, lo que los hace esenciales para acelerar los plazos de desarrollo y garantizar datos bioanalíticos sólidos y que cumplan con las normativas”, afirma McDougall Según Yuan, la HRMS proporciona una especificidad excepcional. “Por ejemplo, en el caso de los oligonucleótidos, a veces el espectrómetro de masas cuadrupolo, comúnmente utilizado, puede no ser capaz de diferenciar el precursor de los metabolitos. La HRMS presenta una ventaja única: proporciona especificidad adicional para este tipo de aplicaciones”, afirma Yuan. Añade que la HRMS también permite obtener información cuantitativa y cualitativa en la misma corrida, lo que permite la extracción de datos posteriormente, evitando así la reevaluación de la muestra. Según de Boer, la cromatografía líquida (LC)-espectrometría de masas (MS), el ensayo inmunosorbente ligado a enzimas (ELISA) automatizado (ELLA), el descubrimiento a escala meso (MSD), la ddPCR y la citometría de flujo pueden utilizarse para el análisis farmacocinético o de biomarcadores. Se pueden obtener resultados robustos y reproducibles para modalidades complejas combinando técnicas híbridas de LC-MS de inmunoafinidad con
RkJQdWJsaXNoZXIy NzE4NDM5