18 Pharmaceutical Technology SUPLEMENTOVETERINARIA 2025 Ahorro de tiempo y recursos El principal beneficio que ofrece el mode - lado predictivo es la posibilidad de ahorrar tiempo y recursos. La información obtenida de modelos eficaces puede reducir a un número razo - nable las moléculas potenciales que pue - den servir como coformadores eficaces o formar cocristales o complejos atractivos. Esto, a su vez, reduce la cantidad de expe - rimentos físicos que deben realizarse para identificar la solución óptima. El modelado predictivo, dice Varshney, permite una exploración rápida del espa - cio químico combinatorio. También enfatiza el hecho de que, cuando los modelos predictivos se im - plementan en un marco de IA híbrida, especialmente aquellos que enfatizan los aspectos fisicoquímicos y fisiológicos de los restos químicos involucrados, pueden proporcionar soluciones sólidas para di - ferentes combinaciones de compuestos para mejorar la biodisponibilidad de API poco solubles. Además, Varshney observa que al extraer información explicable de los modelos predictivos, es posible realizar observaciones sobre formulaciones de fár - macos nuevas y existentes para identificar qué características de las formulaciones de fármacos están más estrechamente asociadas con la mejora de la biodispo - nibilidad. “Este mayor conocimiento orienta la exploración de nuevas formulaciones en las direcciones más prometedoras, lo que acelera aún más el desarrollo de formula - ciones efectivas”, comenta. Reducir riesgos y barreras Existen varias ventajas al usar modelos predictivos para identificar posibles solu - ciones para mejorar la biodisponibilidad de API poco solubles, coincide Sanjay Konagurthu, director senior de ciencia e innovación de servicios farmacéuticos de Thermo Fisher Scientific. Además de acor - tarse los plazos de desarrollo, se enfatiza la capacidad de reducir el riesgo en el de - sarrollo de productos y eliminar barreras en cada fase del desarrollo. El modelado predictivo también puede ayudar a re - ducir costos, evitar retrabajos, reducir la cantidad de API requerido y respaldar la sostenibilidad, observa Konagurthu. Limitaciones de los datos disponibles Según Varshney y Konagurthu, el mayor desafío para implementar soluciones de modelado predictivo para coformadores, cocristales y desarrollos complejos es la necesidad de datos de alta calidad. “Las tecnologías / algoritmos predictivos como el aprendizaje automático y la inte - ligencia artificial dependen de la calidad y cantidad de los datos disponibles. Se requieren grandes conjuntos de datos que abarquen el espacio de las formulaciones farmacológicas”, explica Konagurthu. Des - afortunadamente, esos datos pueden ser difíciles de obtener cuando se trata de la formulaciones de coformadores, cocrista - les y complejos. La mayoría de las tecnologías de mo - delado predictivo requieren una gran cantidad de datos de alta calidad para hacer predicciones precisas, cuya cantidad
RkJQdWJsaXNoZXIy NzE4NDM5