Полиморфизм молекулярных кристаллов проявляется в возможности одного и того же химического соединения принимать различные кристаллические структуры в зависимости от условий, аналогично тому, как какао-масло, входящее в состав шоколада, может существовать в шести различных формах. Шоколатье используют жесткий контроль температуры для получения «вкусной» полиморфной формы, которая обеспечивает блеск, гладкость и хруст, тогда как неблагоприятные условия способствуют трансформации в менее качественный вариант.
Аналогичные процессы происходят и в фармацевтической промышленности: молекулы, составляющие препараты в виде таблеток или пластырей, могут переходить в другие полиморфы. Такие изменения влияют на ключевые свойства, например, растворимость, что может привести к снижению лечебного эффекта уже после производства.
Кейс ротиготина, применяемого для лечения болезни Паркинсона, иллюстрирует опасность непредвиденной стабилизации нежелательной кристаллической структуры. С 1985 года производители лекарств знали лишь об одной полиморфной форме ротиготина, однако в 2008 году была обнаружена значительно стабильная, но менее растворимая форма вещества, что вызвало масштабный отзыв препарата, серьезные экономические потери и негативные последствия для общественного здоровья, подчеркивая, что эффективность определяется не химическим составом, а именно кристаллической структурой.
Исследователь Никита Рыбин из Skoltech AI предложил использовать машинное обучение межатомных потенциалов для ускоренного скрининга полиморфов и предотвращения подобных инцидентов. Результаты его работы, опубликованные в журнале Physical Chemistry Chemical Physics, демонстрируют потенциал данного подхода для выявления устойчивых форм лекарственных веществ еще на этапе разработки.
Метод машинного обучения межатомных потенциалов основывается на моделях, обученных на данных маломасштабных квантовых расчетов, что позволяет обходить необходимость проведения исчерпывающих вычислений на крупных системах. Протестированные на глицине и бензоле, эти модели смогли с использованием умеренных вычислительных ресурсов корректно прогнозировать устойчивые полиморфные формы.
Прямые квантовые вычисления, несмотря на их успешное применение в ежегодном конкурсе Crystal Structure Prediction Blind Test, требуют чрезмерных ресурсов и применимы лишь для ограниченного числа предварительно отобранных молекул, что делает их непрактичными для экранного анализа миллионов потенциальных кандидатов в фармацевтических исследованиях.
Лаборатория искусственного интеллекта для дизайна материалов в Skoltech AI, возглавляемая профессором Александром Шапеевым, ранее уже применяла машинное обучение для поиска солей для ядерного энергетического сектора и разработки металлических сплавов для аэрокосмической отрасли. Переход к исследованию молекулярных кристаллов в области фармацевтики позволил ускорить скрининг полиморфов более чем в 1000 раз, что открывает новые возможности для повышения эффективности разработки лекарственных средств.
Настоящий подход предполагает всестороннюю проверку физических характеристик активных соединений, включая устойчивость к нагреву, воздействие открытого воздуха и изменение растворимости под влиянием окружающей влажности. Это позволит обнаруживать и предотвращать потенциальные проблемы еще на ранних этапах разработки, минимизируя риск отказа препаратов из-за нежелательных полиморфных преобразований.
Изображение носит иллюстративный характер
Аналогичные процессы происходят и в фармацевтической промышленности: молекулы, составляющие препараты в виде таблеток или пластырей, могут переходить в другие полиморфы. Такие изменения влияют на ключевые свойства, например, растворимость, что может привести к снижению лечебного эффекта уже после производства.
Кейс ротиготина, применяемого для лечения болезни Паркинсона, иллюстрирует опасность непредвиденной стабилизации нежелательной кристаллической структуры. С 1985 года производители лекарств знали лишь об одной полиморфной форме ротиготина, однако в 2008 году была обнаружена значительно стабильная, но менее растворимая форма вещества, что вызвало масштабный отзыв препарата, серьезные экономические потери и негативные последствия для общественного здоровья, подчеркивая, что эффективность определяется не химическим составом, а именно кристаллической структурой.
Исследователь Никита Рыбин из Skoltech AI предложил использовать машинное обучение межатомных потенциалов для ускоренного скрининга полиморфов и предотвращения подобных инцидентов. Результаты его работы, опубликованные в журнале Physical Chemistry Chemical Physics, демонстрируют потенциал данного подхода для выявления устойчивых форм лекарственных веществ еще на этапе разработки.
Метод машинного обучения межатомных потенциалов основывается на моделях, обученных на данных маломасштабных квантовых расчетов, что позволяет обходить необходимость проведения исчерпывающих вычислений на крупных системах. Протестированные на глицине и бензоле, эти модели смогли с использованием умеренных вычислительных ресурсов корректно прогнозировать устойчивые полиморфные формы.
Прямые квантовые вычисления, несмотря на их успешное применение в ежегодном конкурсе Crystal Structure Prediction Blind Test, требуют чрезмерных ресурсов и применимы лишь для ограниченного числа предварительно отобранных молекул, что делает их непрактичными для экранного анализа миллионов потенциальных кандидатов в фармацевтических исследованиях.
Лаборатория искусственного интеллекта для дизайна материалов в Skoltech AI, возглавляемая профессором Александром Шапеевым, ранее уже применяла машинное обучение для поиска солей для ядерного энергетического сектора и разработки металлических сплавов для аэрокосмической отрасли. Переход к исследованию молекулярных кристаллов в области фармацевтики позволил ускорить скрининг полиморфов более чем в 1000 раз, что открывает новые возможности для повышения эффективности разработки лекарственных средств.
Настоящий подход предполагает всестороннюю проверку физических характеристик активных соединений, включая устойчивость к нагреву, воздействие открытого воздуха и изменение растворимости под влиянием окружающей влажности. Это позволит обнаруживать и предотвращать потенциальные проблемы еще на ранних этапах разработки, минимизируя риск отказа препаратов из-за нежелательных полиморфных преобразований.
