- 14,594
- 22
- 8 Ноя 2022
Новая ИИ-технология позволит производить лекарства быстрее, эффективнее и безопаснее, чем стандартные методы.
Исследователи из MIT и Takeda разработали новый способ улучшить производство лекарственных таблеток и порошков с помощью физики и машинного обучения. Они научились определять размер частиц в смеси, освещая их лазером и анализируя отраженный свет.
Производство таблеток и порошков, которые лечат различные болезни, требует выделения активного фармацевтического вещества из суспензии и его сушки. Для этого необходимо контролировать промышленную сушилку, перемешивать материал и следить за тем, чтобы соединение приобрело нужные свойства для прессования в лекарство. Эта работа во многом зависит от наблюдений оператора.
Методы, которые позволяют сделать этот процесс менее субъективным и более эффективным, описаны в Для просмотра ссылки Войдиили Зарегистрируйся в журнале Nature Communications, авторами которой являются ученые из MIT и Takeda. Авторы статьи придумали способ использовать физику и машинное обучение для классификации шероховатых поверхностей, характерных для частиц в смеси. Техника, которая использует усовершенствованный автокорреляционный оценщик на основе физики (PEACE), может изменить фармацевтические производственные процессы для таблеток и порошков, повысив эффективность и точность и уменьшив количество неудачных партий фармацевтических продуктов.
“Неудачные партии или неудачные этапы в фармацевтическом процессе очень серьезны”, - говорит Аллан Майерсон, профессор практики в отделе химической инженерии MIT и один из авторов исследования. “Все, что улучшает надежность фармацевтического производства, сокращает время и повышает соответствие стандартам, имеет большое значение”.
Работа команды является частью постоянного сотрудничества между Takeda и MIT, запущенного в 2020 году. Программа MIT-Takeda призвана использовать опыт обеих организаций для решения проблем на стыке медицины, искусственного интеллекта и здравоохранения.
В фармацевтическом производстве определение того, достаточно ли хорошо перемешано и высушено соединение, обычно требует остановки промышленной сушилки и отбора образцов с производственной линии для тестирования. Исследователи из Takeda подумали, что искусственный интеллект может улучшить эту задачу и уменьшить остановки, которые замедляют производство. Изначально команда планировала использовать видео для обучения компьютерной модели, которая заменила бы человеческого оператора. Но определение того, какие видео использовать для обучения модели, все еще оказалось слишком субъективным. Вместо этого команда MIT-Takeda решила осветить частицы лазером во время фильтрации и сушки и измерить распределение размеров частиц с помощью физики и машинного обучения.
“Мы просто направляем лазерный луч на поверхность сушки и наблюдаем”, - говорит Ци Хан Чжан, аспирант отдела электротехники и компьютерных наук MIT и первый автор исследования.
Физическое уравнение описывает взаимодействие между лазером и смесью, а машинное обучение характеризует размеры частиц. Процесс не требует остановки и запуска процесса, что означает, что вся работа более безопасна и эффективна, чем стандартная процедура, по словам Джорджа Барбастатиса, профессора механической инженерии в MIT и ответственного автора исследования.
Алгоритм машинного обучения также не требует большого количества данных для обучения своей задаче, потому что физика позволяет быстро обучать нейронную сеть.
“Мы используем физику, чтобы компенсировать недостаток обучающих данных, так что мы можем обучать нейронную сеть эффективным способом”, - говорит Чжан. “Только небольшое количество экспериментальных данных достаточно для получения хорошего результата”.
Исследователи из MIT и Takeda разработали новый способ улучшить производство лекарственных таблеток и порошков с помощью физики и машинного обучения. Они научились определять размер частиц в смеси, освещая их лазером и анализируя отраженный свет.
Производство таблеток и порошков, которые лечат различные болезни, требует выделения активного фармацевтического вещества из суспензии и его сушки. Для этого необходимо контролировать промышленную сушилку, перемешивать материал и следить за тем, чтобы соединение приобрело нужные свойства для прессования в лекарство. Эта работа во многом зависит от наблюдений оператора.
Методы, которые позволяют сделать этот процесс менее субъективным и более эффективным, описаны в Для просмотра ссылки Войди
“Неудачные партии или неудачные этапы в фармацевтическом процессе очень серьезны”, - говорит Аллан Майерсон, профессор практики в отделе химической инженерии MIT и один из авторов исследования. “Все, что улучшает надежность фармацевтического производства, сокращает время и повышает соответствие стандартам, имеет большое значение”.
Работа команды является частью постоянного сотрудничества между Takeda и MIT, запущенного в 2020 году. Программа MIT-Takeda призвана использовать опыт обеих организаций для решения проблем на стыке медицины, искусственного интеллекта и здравоохранения.
В фармацевтическом производстве определение того, достаточно ли хорошо перемешано и высушено соединение, обычно требует остановки промышленной сушилки и отбора образцов с производственной линии для тестирования. Исследователи из Takeda подумали, что искусственный интеллект может улучшить эту задачу и уменьшить остановки, которые замедляют производство. Изначально команда планировала использовать видео для обучения компьютерной модели, которая заменила бы человеческого оператора. Но определение того, какие видео использовать для обучения модели, все еще оказалось слишком субъективным. Вместо этого команда MIT-Takeda решила осветить частицы лазером во время фильтрации и сушки и измерить распределение размеров частиц с помощью физики и машинного обучения.
“Мы просто направляем лазерный луч на поверхность сушки и наблюдаем”, - говорит Ци Хан Чжан, аспирант отдела электротехники и компьютерных наук MIT и первый автор исследования.
Физическое уравнение описывает взаимодействие между лазером и смесью, а машинное обучение характеризует размеры частиц. Процесс не требует остановки и запуска процесса, что означает, что вся работа более безопасна и эффективна, чем стандартная процедура, по словам Джорджа Барбастатиса, профессора механической инженерии в MIT и ответственного автора исследования.
Алгоритм машинного обучения также не требует большого количества данных для обучения своей задаче, потому что физика позволяет быстро обучать нейронную сеть.
“Мы используем физику, чтобы компенсировать недостаток обучающих данных, так что мы можем обучать нейронную сеть эффективным способом”, - говорит Чжан. “Только небольшое количество экспериментальных данных достаточно для получения хорошего результата”.
- Источник новости
- www.securitylab.ru
