当医疗公司生产用于治疗多种疾病、疼痛和疼痛的药丸和药片时，他们需要从悬浮液中分离出活性药物成分并将其干燥。该过程需要人工操作员监控工业干燥机、搅拌材料并观察化合物是否具有适合压制成药的品质。这项工作在很大程度上取决于操作员的观察。
麻省理工学院和武田的研究人员最近发表的一篇NatureCommunications论文的主题是使该过程不那么主观、效率更高的方法。该论文的作者设计了一种方法，使用物理学和机器学习来对表征混合物中颗粒的粗糙表面进行分类。该技术使用基于物理增强的自相关估计器(PEACE)，可以改变药丸和粉末的制药工艺，提高效率和准确性，并减少药品的不合格批次。
“制药过程中的失败批次或失败步骤非常严重，”麻省理工学院化学工程系实践教授、该研究的作者之一艾伦迈尔森说。“任何能提高制药生产可靠性、缩短时间和提高合规性的措施都是大事。”
该团队的工作是武田与麻省理工学院于2020年启动的持续合作的一部分。麻省理工学院-武田项目旨在利用麻省理工学院和武田的经验来解决医学、人工智能和医疗保健交叉领域的问题。
在药品制造中，确定化合物是否充分混合和干燥通常需要停止工业规模的干燥机并从生产线上取下样品进行测试。武田的研究人员认为人工智能可以改进任务并减少减缓生产的停工。
最初，研究团队计划使用视频来训练计算机模型来代替人类操作员。但事实证明，确定使用哪些视频来训练模型仍然过于主观。相反，麻省理工学院-武田团队决定在过滤和干燥过程中用激光照射颗粒，并使用物理学和机器学习来测量颗粒大小分布。
“我们只是将激光束照射在这个干燥的表面上并进行观察，”麻省理工学院电气工程与计算机科学系博士生、该研究的第一作者QihangZhang说。
物理学推导出的方程描述了激光与混合物之间的相互作用，而机器学习则表征了颗粒大小。麻省理工学院机械工程教授、该研究的通讯作者GeorgeBarbastathis表示，该过程不需要停止和启动过程，这意味着整个工作比标准操作程序更安全、更高效。
机器学习算法也不需要很多数据集来学习它的工作，因为物理学允许神经网络的快速训练。
“我们利用物理学来弥补训练数据的不足，这样我们就可以有效地训练神经网络，”张说。“只需要极少量的实验数据就足以得到很好的结果。”
如今，制药行业用于颗粒测量的唯一在线过程是用于浆状产品，其中晶体漂浮在液体中。没有方法可以在混合过程中测量粉末中的颗粒。粉末可以由浆料制成，但当液体被过滤和干燥时，其成分会发生变化，需要进行新的测量。作者说，除了使过程更快、更高效之外，使用PEACE机制还可以使工作更安全，因为它需要更少的处理潜在的高效材料。
通过减少公司在生产产品时需要进行的实验数量，对制药制造的影响可能是显着的，从而使药物生产更加高效、可持续和具有成本效益。武田公司过程化学开发小组的负责人、该研究的作者之一查尔斯·帕帕乔吉奥(CharlesPapageorgiou)表示，监测干燥混合物的特性是该行业长期以来一直在努力解决的问题。
Papageorgiou说：“这是一个很多人都在努力解决的问题，但目前还没有好的传感器。”“我认为，就能够实时监测粒径分布而言，这是一个相当大的进步。”
Papageorgiou说该机制可以应用于其他工业制药业务。在某些时候，激光技术可能能够训练视频成像，使制造商能够使用相机进行分析而不是激光测量。该公司现在正在努力评估其实验室中不同化合物的工具。
结果直接来自武田与麻省理工学院三个部门的合作：机械工程、化学工程、电气工程和计算机科学。在过去三年中，作为麻省理工学院-武田项目的一部分，麻省理工学院和武田的研究人员合作开展了19个项目，重点是将机器学习和人工智能应用于医疗保健和医疗行业的问题。
通常，学术研究转化为工业过程可能需要数年时间。但研究人员希望直接合作可以缩短这一时间表。武田距离麻省理工学院的校园仅几步之遥，这使得研究人员可以在公司的实验室中进行测试，武田的实时反馈帮助麻省理工学院的研究人员根据公司的设备和运营来构建他们的研究。
结合这两个实体的专业知识和使命有助于研究人员确保他们的实验结果具有现实意义。该团队已经申请了两项专利，并计划申请第三项。