Transformer un nouveau médicament d'un ensemble d'ingrédients liquides dans un laboratoire à une pilule dans une boîte peut être un exercice de chimie complexe. Pour mieux comprendre comment les ingrédients des médicaments se cristallisent, Les chercheurs d'UConn ont exploité une vaste collection de données expérimentales fournies par Pfizer. Ils ont rapporté leurs découvertes dans l'article de couverture du journal du 28 février. CrystEngComm .

De nombreux médicaments sont pris sous forme cristalline solide sous forme de pilules. Mais trouver le meilleur moyen d'amadouer un médicament sous forme solide est un problème délicat. Il existe de nombreux solvants différents dans lesquels les ingrédients du médicament peuvent être dissous, et de nombreuses procédures différentes qui pourraient faire cristalliser le médicament. Conditions de traitement, comme la température et la pression, peut également avoir un effet profond. Il y a tellement de variables différentes - des choses qui pourraient changer le résultat - impliquées que l'apprentissage automatique pourrait être le meilleur moyen de s'attaquer à un problème aussi compliqué.

Pfizer a formé une collaboration avec le scientifique des matériaux de l'UConn, Serge Nakhmanson, et ses collègues du Département de science et d'ingénierie des matériaux pour évaluer l'utilité des approches d'apprentissage automatique. Exploration de données, ils espéraient, pourrait aider à trouver le meilleur moyen de cristalliser un composé pharmaceutique. En utilisant les données et l'expertise pertinente de Pfizer, l'équipe des matériaux d'UConn a testé trois algorithmes informatiques différents. Les algorithmes sont appelés apprentissage automatique car l'ordinateur les utilise pour construire des modèles mathématiques des données, trouver des modèles, puis « apprendre » de ces modèles pour faire des prédictions précises.

L'étudiant diplômé de Nakhmanson, Ayana Gosh, ont constaté que l'algorithme de régression forestière aléatoire (RFR) fournissait les prédictions de cristallisation les plus précises. En outre, RFR était le seul capable d'identifier des traits qui rendraient les molécules pharmaceutiques plus faciles à cristalliser; par exemple, si une molécule pèse moins de X quantité et possède un certain nombre de liaisons hydrogène, la probabilité qu'il puisse être cristallisé avec succès est augmentée.

"C'est précisément le genre d'informations dont un chimiste de synthèse aurait besoin pour décider comment fabriquer un nouveau médicament sous forme de pilule, " dit Nakhmanson. " La technique d'apprentissage automatique RFR est vraiment utile pour déterminer quels paramètres sont importants pour la cristallisation et lesquels ne le sont pas. "