Transformar uma nova droga de um conjunto de ingredientes líquidos em um laboratório em uma pílula em uma caixa pode ser um exercício de química complexa. Para entender melhor como os ingredientes do medicamento se cristalizam, Os pesquisadores da UConn mineraram uma vasta coleção de dados experimentais fornecidos pela Pfizer. Eles relataram suas descobertas na matéria de capa do jornal em 28 de fevereiro. CrystEngComm .

Muitos medicamentos são tomados na forma cristalina sólida como pílulas. Mas descobrir a melhor maneira de induzir uma droga à forma sólida é um problema complicado. Existem muitos solventes diferentes em que os ingredientes da droga podem ser dissolvidos, e muitos procedimentos diferentes que podem fazer com que a droga se cristalize. Condições de processamento, como temperatura e pressão, também pode ter um efeito profundo. Existem tantas variáveis ​​diferentes - coisas que podem mudar o resultado - envolvidas que o aprendizado de máquina pode ser a melhor maneira de atacar um problema tão complicado.

A Pfizer formou uma colaboração com o cientista de materiais da UConn Serge Nakhmanson e seus colegas do Departamento de Ciência e Engenharia de Materiais para avaliar as abordagens de aprendizado de máquina quanto à sua utilidade. Mineração de dados, eles esperavam, pode ajudar a descobrir a melhor maneira de cristalizar um composto farmacêutico. Usando os dados e experiência relevante da Pfizer, a equipe de materiais da UConn testou três algoritmos de computador diferentes. Os algoritmos são chamados de aprendizado de máquina porque o computador os usa para construir modelos matemáticos dos dados, encontrar padrões, e então "aprender" com esses padrões para fazer previsões precisas.

Aluno de graduação de Nakhmanson, Ayana Ghosh, descobriram que o algoritmo Random Forest Regression (RFR) forneceu as previsões de cristalização mais precisas. Além disso, RFR foi o único capaz de identificar características que tornariam as moléculas farmacêuticas mais fáceis de cristalizar; por exemplo, se uma molécula pesa menos do que o valor X e tem um certo número de ligações de hidrogênio, a probabilidade de que possa ser cristalizado com sucesso é aumentada.

“Este é precisamente o tipo de informação de que um químico sintético precisaria para decidir como fazer um novo medicamento na forma de uma pílula, "diz Nakhmanson." A técnica de aprendizado de máquina RFR é realmente útil para abordar quais parâmetros são importantes para a cristalização e quais não são. "