一款基于人工智能的药物制造机

麻省理工学院-武田项目的一个合作小组描述了药物药丸和粉末的粗糙颗粒表面。

当医药公司生产治疗各种疾病、疼痛和疼痛的药丸和片剂时，他们需要从悬浮液中分离出有效的药物成分并将其干燥。该过程需要一名操作员监控工业干燥机，搅拌材料，并观察化合物是否具有合适的质量，以便压缩成药物。这项工作在很大程度上取决于操作人员的观察。

麻省理工学院(MIT)和武田(Takeda)的研究人员最近在《自然通讯》(Nature Communications)上发表了一篇论文，主题是如何减少这一过程的主观性，提高效率。这篇论文的作者设计了一种方法，利用物理学和机器学习来对混合物中表征粒子的粗糙表面进行分类。该技术使用物理增强的基于自相关的估计器(PEACE)，可以改变药丸和粉末的制药生产工艺，提高效率和准确性，并减少药品的不合格批次。

该团队的工作是武田和麻省理工学院正在进行的合作的一部分，该合作于2020年启动。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。

在制药生产中，确定一种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，并从生产线上取样品进行测试。武田的研究人员认为，人工智能可以改善这项任务，减少导致生产放缓的停工。最初，研究小组计划使用视频来训练计算机模型来取代人类操作员。但是，决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-武田研究小组决定在过滤和干燥过程中用激光照射颗粒，并使用物理和机器学习测量颗粒大小分布。

该研究的作者之一、麻省理工学院化学工程系的实践教授Allan Myerson说:“制药过程中批次或步骤失败是非常严重的。任何提高药品生产可靠性、缩短时间和提高合规性的事情都是一件大事。”

机器学习算法也不需要很多数据集来学习它的工作，因为物理学允许快速训练神经网络。麻省理工学院电子工程与计算机科学系的博士生、该研究的第一作者Qihang Zhang说:“我们只是在这个干燥的表面上照射一束激光，然后观察。我们利用物理学来弥补训练数据的不足，这样我们就能以一种有效的方式训练神经网络。只有少量的实验数据就足以得到一个好的结果”

物理推导方程描述了激光和混合物之间的相互作用，而机器学习表征了颗粒大小。麻省理工学院机械工程教授、该研究的通讯作者George Barbastathis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。

今天，制药行业中唯一用于颗粒测量的在线过程是用于浆料产品，其中晶体漂浮在液体中。在混合过程中，没有测量粉末内部颗粒的方法。粉末可以由浆料制成，但当液体经过过滤和干燥后，其成分会发生变化，这就需要新的测量方法。作者说，除了使这一过程更快、更有效之外，使用PEACE机制还使这项工作更安全，因为它需要更少地处理潜在的高效材料。

这对制药业的影响可能是重大的，通过减少制药公司在生产产品时需要进行的实验次数，使药品生产更有效、可持续和具有成本效益。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，武田过程化学开发小组主任、该研究报告的作者之一Charles Papageorgiou说：“这是一个很多人都在努力解决的问题，但目前还没有一款好的传感器。我认为，就能够实时监测粒径分布而言，这是一个相当大的变化。”

这种机制可以应用于其他工业制药操作。在某种程度上，激光技术可能能够训练视频成像，允许制造商使用相机进行分析，而不是激光测量。该公司目前正在实验室对该工具在不同化合物上的应用进行评估。

该成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。在过去的三年里，麻省理工学院和武田的研究人员合作了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，这是麻省理工学院-武田项目的一部分。

通常，学术研究要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个时间。武田距离麻省理工学院的校园只有几步之遥，这使得研究人员可以在武田的实验室里进行测试，武田的实时反馈可以帮助麻省理工学院的研究人员根据武田的设备和操作来组织他们的研究。

结合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将具有现实意义。该团队已经申请了两项专利，并计划申请第三项专利。