Dinamika Molekuler dan Perhitungan Kuantum: Wawancara AAPS Thermo Fisher, Bagian Kedua

Sebagai bagian dari liputannya AAPS Farmasi 360 2025diadakan dari 9-12 November di San Antonio, Texas, Teknologi Farmasi® Grup berbicara dengan Sanjay KonagurthuPhD, direktur senior, Sains dan Inovasi, Thermo Fisher Scientific, tentang presentasi “Model AI/ML Menginformasikan Pengembangan Obat Tahap Awal.

Dalam kesimpulan ini dari wawancara dua bagian, Dr Konagurthu berbicara tentang pengintegrasian yang sistematis dalam-silico kerangka kerja untuk mempercepat pengambilan keputusan mengenai perumusan kelayakan dan pemuatan obat.

Dia mengatakan kerangka kerja ini memberikan wawasan tentang bentuk sediaan akhir, karena pemuatan obat dapat berdampak pada stabilitas fisik dan kimia—dan berapa banyak zat obat yang dapat terkandung dalam suatu sediaan. tablet atau kapsul.

“Pemuatan obat merupakan aspek penting dalam hal stabilitas fisik dan kimia,” kata Dr. Konagurthu. “Dengan beberapa alat pemodelan yang telah kami gunakan dan terapkan, kami tidak hanya dapat memprediksi eksipien dan polimer yang sesuai untuk disaring sebelum eksperimen apa pun, kami juga dapat memprediksi berapa banyak obat yang dapat dicapai.”

Terlalu ketat, terlalu longgar, atau pas?

Konagurthu juga membahas bagaimana simulasi dinamika molekuler dan perhitungan mekanika kuantum memberikan informasi yang kompleks analisa interaksi obat-eksipien.

“Jika obat terikat terlalu erat, obat tidak akan terlepas,” katanya. “Jika terlalu longgar, ia tidak benar-benar stabil dalam bentuk amorf. Jadi, ini adalah serangkaian perhitungan dan berbagai deskriptor yang kami tetapkan selain sifat fisik-kimia … untuk dapat melakukan perhitungan ini dan mempersempit ruang desain formulasi. Dan semua ini dilakukan dalam silikon.”

Klik di sini untuk Bagian Satu dari wawancara Dr. Konagurthu dengan PharmTech Group, di mana ia membahas bagaimana kecerdasan buatan dan pembelajaran mesin dapat membantu memecahkan dilema kelarutan yang buruk.

klik disini untuk semua cakupan AAPS PharmSci 360 kami.

Salinan

Catatan Editor: Transkrip ini adalah rendering konten audio/video asli yang sedikit diedit. Ini mungkin mengandung kesalahan, bahasa informal, atau kelalaian seperti yang diucapkan dalam rekaman aslinya.

Halo, saya Sanjay Konagurthu. Saya Direktur Senior Sains dan Inovasi di Thermo Fisher.

Saat kita melakukan hal-hal seperti perhitungan kuantum, kita melihat ruang konfirmasi. Jadi hal ini memberi kita wawasan tentang bagaimana sebuah molekul melipat dirinya sendiri. Itu memberi kita gambaran tentang luas permukaan molekul yang dapat diakses dan polimer eksipien untuk berinteraksi. Jadi itu satu bagiannya.

Dan kita melihat berbagai deskriptornya, seperti donor ikatan hidrogen klasik, akseptor, aromatik, hidrofobik. Kami melihat model muatan permukaan energi potensial. Ini seperti titik lengket suatu molekul yang pada dasarnya memberi kita wawasan tentang bagaimana suatu molekul dan eksipien atau polimer berinteraksi pada tingkat molekuler.

Dan kemudian kita melihat dinamika molekuler. Simulasi, melihat interaksi antara obat dan polimer. Jika obat terikat terlalu erat maka obat tidak akan terlepas. Jika terlalu longgar, ia tidak akan stabil dalam bentuk amorf. Jadi inilah rangkaian perhitungan dan berbagai deskriptor yang kami tetapkan selain sifat fisik-kimia, seperti yang saya sebutkan, untuk dapat melakukan perhitungan tersebut dan mempersempit ruang desain formulasi.

Dan semua ini sudah selesai dalam silikon. Oleh karena itu, kami menghemat banyak sekali percobaan dan kesalahan serta eksperimen yang tidak perlu dan mencapai tujuan dengan lebih cepat.

Pemuatan obat merupakan aspek penting dalam hal stabilitas fisik dan kimia. Dengan beberapa alat pemodelan yang telah kami gunakan dan terapkan, kami tidak hanya dapat memprediksi eksipien dan polimer yang sesuai untuk disaring sebelum eksperimen apa pun, kami juga dapat memperkirakan berapa banyak obat yang dapat dicapai.

Jadi yang dilakukan adalah, prioritas kami adalah, Anda mendapatkan gambaran tentang seperti apa bentuk sediaan akhir Anda karena pemuatan obat dapat memengaruhi stabilitas fisik dan kimia, dan berapa banyak pemuatan obat yang Anda miliki dapat memengaruhi berapa banyak obat yang Anda dapatkan dalam bentuk tablet atau kapsul. Itulah interaksi yang dapat kami peroleh berdasarkan alat pemodelan AI/ML yang telah kami terapkan di Thermo Fisher.

Peralihan dari Trial-and-Error ke Desain Rasional Mendorong Efisiensi dalam Formulasi Farmasi

*Transkrip lengkap tersedia di bawah

Dalam sebuah wawancara dengan Teknologi Farmasi® di Asosiasi Ilmuwan Farmasi Amerika (AAPS) Ilmu Farmasi 360, Nathan Bennettdirektur, Penasihat Ilmiah dan Teknis, Layanan Farmasi Catalent, membahas perubahan paradigma menuju desain rasional—sebuah metode yang didasarkan pada pemodelan konseptual dan mekanistik. Menurut Bennette, pendekatan desain rasional memberikan kejelasan dan efisiensi pada pengembangan obat baru formulasi.

Daripada menggunakan metode trial-and-error tradisional, Bennette menganjurkan pendekatan terstruktur. “Konsep desain rasional adalah menggunakan model—model konseptual dan model mekanistik—untuk mengembangkan hipotesis yang lebih terfokus dan kemudian melakukan eksperimen yang ditargetkan agar lebih efisien dalam mendapatkan solusi,” jelasnya. Pergeseran ini dimulai dengan penciptaan model konseptual untuk memahami masalah secara mendalam, diikuti dengan model mekanistik (kuantitatif atau matematis) yang mengungkapkan proses fisika dan kimia dasar yang terjadi, jelasnya.

Model semi-empiris, sering kali diwujudkan melalui simulasi komputer, catat Bennette, semakin menyempurnakan pengujian hipotesis dan optimalisasi solusi. Bennette membagikan contoh baru-baru ini di mana timnya menghadapi obat dengan penyerapan oral yang buruk. Melalui in-vitro Melalui eksperimen, tim mengisolasi langkah pembatas laju—difusi melintasi lapisan air yang tidak diaduk—dan merancang formulasi secara khusus untuk meningkatkan proses tersebut. Bennette mencatat bahwa in-vitro perbaikan berkorelasi baik dengan secara in-vivo tes.

Bagaimana model desain rasional mengubah pemecahan masalah farmasi?

Bennette yakin pola pikir yang mengutamakan efisiensi ini akan menghasilkan keuntungan industri yang nyata. “Jika Anda dapat menghasilkan hipotesis yang benar-benar terfokus dan mengerjakan pernyataan masalah tersebut, Anda akan mencapainya lebih cepat. Anda akan mencapainya dengan lebih sedikit waktu, energi, dan sumber daya, dan, pada akhirnya, saya pikir Anda akan menghasilkan produk yang lebih baik,” katanya.

Bennette menambahkan, ketika perusahaan farmasi menghadapi tekanan yang semakin besar untuk memberikan inovasi dengan cepat dan efektif, kerangka desain yang rasional menjanjikan untuk membentuk standar industri dalam pemecahan masalah dan optimalisasi formulasi.

klik disini untuk liputan konferensi lebih lanjut.

Tentang pembicara

Nathan Bennette, Direktur, Penasihat Ilmiah dan Teknis, Layanan Farmasi Catalent

Bennette adalah pakar dalam bidang penetapan strategi pengembangan dan formulasi non-parenteral untuk molekul dengan ketersediaan hayati yang buruk, termasuk pengurai protein dan molekul lain yang digambarkan sebagai “di luar aturan 5”. Beliau telah bekerja dalam pengembangan obat selama lebih dari 15 tahun dalam berbagai peran teknis dan kepemimpinan serta memiliki pengalaman luas dalam formulasi terapi molekul kecil. Bennette menerapkan hasratnya terhadap pemahaman mekanistik penghantaran obat untuk merancang sistem yang disesuaikan dengan setiap molekul dan profil produk target, memanfaatkan serangkaian teknologi oral seperti dispersi padat amorf, platform pelepasan terkontrol, formulasi nanokristalin, multipartikel, dan sistem berbasis lipid. Ia memiliki pengalaman bekerja di seluruh siklus pengembangan obat mulai dari pengembangan praklinis dan fase awal hingga studi klinis fase akhir dan komersialisasi.

Salinan

Catatan Editor: Transkrip ini adalah rendering langsung dari konten audio/video asli yang belum diedit. Ini mungkin mengandung kesalahan, bahasa informal, atau kelalaian seperti yang diucapkan dalam rekaman aslinya.

Hai, Nathan Bennette, Saya bekerja di fungsi penasihat ilmiah di solusi farmasi katalen, dan peran saya di sana adalah menjadi konsultan internal yang bekerja dengan pelanggan untuk menentukan pernyataan masalah dan mengembangkan strategi teknis untuk formulasi.

Jadi dalam pemecahan masalah tradisional dan pengembangan farmasi serta formulasi dan pengembangan proses pada khususnya, sering kali, kita secara historis telah melakukan banyak percobaan dan kesalahan, di mana Anda membentuk hipotesis, tetapi kemudian Anda menjalankan sejumlah besar eksperimen mencoba segala cara untuk mengembangkan solusi terhadap masalah tersebut. Konsep desain rasional adalah menggunakan model, model konseptual, dan model mekanistik untuk mengembangkan hipotesis yang lebih terfokus dan kemudian melakukan eksperimen yang ditargetkan untuk mendapatkan solusi yang lebih efisien.

Pertanyaannya, pada prinsipnya, seputar efisiensi. Metode eksperimen coba-coba tersebut memerlukan upaya yang sangat besar dan pada akhirnya akan menghasilkan solusi yang kuat. Namun desain eksperimen yang bersifat mekanistik, didorong oleh hipotesis, dan didorong oleh hipotesis ini memungkinkan kita menggunakan praktik terbaik dalam sains untuk membangun pemahaman kita tentang sistem dan secara lebih efisien menghasilkan solusi yang lebih optimal.

Saya memikirkannya dalam tiga lapisan. Pertama, Anda memiliki model konseptual, Anda harus membentuk gambaran di kepala Anda tentang apa yang sebenarnya terjadi dalam sistem yang Anda pelajari. Setelah Anda selesai melakukannya, Anda dapat mulai membentuk hipotesis nyata tentang apa yang mungkin salah dengan molekul Anda, misalnya, saat Anda mencoba mengembangkan formulasi Anda, semua pengembangan formulasi adalah latihan pemecahan masalah, dan penting untuk mengetahui masalah apa yang ingin Anda pecahkan. Jadi model konseptual ini memungkinkan Anda memiliki kerangka untuk membentuk hipotesis. Lalu ada level lain yang saya sebut model mekanistik. Beberapa orang menyebutnya model kuantitatif, model matematika. Ini adalah fisika dasar yang mendasari situasi fisik molekul obat Anda dan pertanyaan yang ingin Anda jawab mungkin dari perspektif penyerapan atau dari perspektif stabilitas. Jadi, setelah Anda memiliki model mekanistik kuantitatif, Anda dapat mulai membentuk hipotesis yang lebih spesifik. Seberapa cepat proses ini terjadi? Sejauh mana kita bisa mengharapkan proses ini berlanjut. Dan yang terakhir, kita memiliki model empiris atau semi empiris yang mekanisme dan konsepnya telah direduksi menjadi program komputer sebenarnya, dan Anda dapat menjalankan simulasi. Jadi semua alat ini tersedia untuk berbagai pertanyaan berbeda yang relevan dengan pengembangan farmasi, seperti penyerapan farmakokinetik atau stabilitas kimia atau pemodelan proses untuk berbagai proses manufaktur farmasi. Jadi kami menggunakan model mulai dari konseptual, mekanistik, hingga semi empiris. Kami menggunakan seluruh kerangka kerja ini untuk menggambarkan masalah yang kami coba selesaikan dan mengembangkan formulasi aktual untuk menyelesaikannya.

Saya punya yang sangat bagus dari pekerjaan terbaru yang melakukan keduanya. Ini membantu kami mendapatkan solusi optimal dengan lebih cepat daripada yang kami uji secara in vivo, dan hasilnya bekerja dengan sangat baik. Jadi kami mengembangkan senyawa yang penyerapan oralnya sangat, sangat buruk. Dan kami menanyakan pertanyaan pertama, mengapa? Dan kami mulai dengan model konseptual bahwa setiap molekul harus masuk ke saluran pencernaan. Ia harus larut kemudian harus berdifusi melintasi lapisan air yang tidak diaduk, melawan epitel dan kemudian berpartisi melintasi epitel untuk masuk ke dalam penyerapan sistemik. Jadi itulah model konseptual kami. Dan kami bertanya, Mengapa molekul ini kesulitan melakukan hal itu? Apa? Apa yang dimaksud dengan langkah pembatasan suku bunga fundamental? Dan kami belajar melalui serangkaian percobaan in vitro bahwa langkah yang membatasi laju adalah difusi melintasi lapisan air yang tidak diaduk, yaitu lapisan lendir. Oleh karena itu, dengan mengingat hal tersebut, kami tidak melakukannya, kami tidak mencoba setiap konsep formulasi yang dilakukan melalui pendekatan coba-coba. Mari kita coba ini. Mari kita coba ini. Mari kita coba ini. Kami berkata, Oke, kami tahu masalah utamanya adalah laju difusi. Jadi formulasi apa yang bisa kita kembangkan untuk meningkatkan laju difusi? Karena itulah langkah kuncinya. Jadi kami pergi ke laboratorium dan mengembangkan beberapa formulasi yang kami usulkan dapat membantu hal tersebut, dan kami mengujinya secara in vitro dan menunjukkan bahwa formula tersebut memang meningkatkan laju difusi. Dan kemudian kami mengambil yang terbaik dari kumpulan tersebut ke dalam penelitian in vivo. Dan yang sangat keren adalah sejauh mana. Kami meningkatkan difusi dengan formulasi tersebut, yang secara in vitro berkorelasi sangat baik dengan faktor peningkatan in vivo juga. Jadi kami melihat, kami menemukan apa masalahnya. Kami mengembangkan kerangka konseptual tentang cara mengatasinya, dan kami menguji hipotesis spesifik tersebut, dan dengan lebih cepat, lebih efisien, kami menghasilkan solusi yang bisa diterapkan.

Saya pikir saya telah mencapai banyak hal dalam hal efisiensi, efisiensi proses untuk menghasilkan formulasi yang bisa diterapkan. Saya pikir itu berarti waktu yang lebih cepat jika Anda menghabiskan banyak waktu untuk mencoba segalanya untuk menemukan satu hal yang berhasil. Kemudian Anda menghabiskan banyak sumber daya. Anda menghabiskan banyak waktu mengerjakan hal-hal yang tidak akan menjadi jawabannya. Namun jika Anda dapat menghasilkan hipotesis yang benar-benar terfokus dan mengerjakan pernyataan masalah tersebut, Anda akan mencapainya lebih cepat. Anda mencapainya dengan pengeluaran waktu, energi, dan sumber daya yang lebih sedikit dan pada akhirnya, menurut saya Anda menghasilkan produk yang lebih baik. Ini adalah hasil yang lebih optimal.

Bagaimana Kemajuan Terapeutik dan Analitik Membantu Perkembangan Pengujian Zat Narkoba

Pengujian zat obat merupakan komponen penting dalam proses analisis biofarmasi, yang disertai dengan tolok ukur keamanan dan kemanjuran yang harus dipenuhi. Dalam wawancara eksklusif dengan Teknologi Farmasi®, Joerg AhlgrimmCEO dari SK farmasimerangkum tren terkini dalam bidang ini dan bagaimana peraturan serta teknologi yang terus berkembang mendorong perusahaan untuk mencapai akurasi dan keandalan yang lebih baik bagi pasien.

Teknologi Farmasi: Apakah ada perubahan peraturan yang signifikan dalam pengujian bahan obat yang berdampak pada proses atau masalah kualitas? Jika tidak, apakah ada yang diharapkan?

Ahlgrimm (SK farmasi): Saya rasa kita melihat ada empat bidang fokus utama—mungkin ini bukan tentang perubahan; ini lebih tentang berkonsentrasi pada aspek-aspek tersebut. Jelasnya, integritas data adalah topik yang penting, dan semua lembaga di seluruh dunia terus menekankan pentingnya integritas data sepanjang siklus pengujian zat obat. Karakterisasi dan pengendalian pengotor tetap menjadi topik diskusi yang signifikan. Terdapat tren yang berfokus pada karakterisasi pengotor yang lebih menyeluruh, pengendalian yang lebih ketat, dan peningkatan penekanan pada pemahaman potensi pengotor genotoksik sambil menetapkan batasan yang sesuai. Oleh karena itu, saya yakin ini adalah area fokus utama.

Persyaratan stabilitas terus berkembang dan disempurnakan; ada kemajuan dalam ekspektasi mengenai data tersebut, sehingga memerlukan dukungan untuk data tersebut, serta dukungan untuk periode pengujian ulang dan umur simpan. Dan kemudian, penekanan yang lebih tinggi pada pemahaman proses dan strategi pengendalian. Ada dorongan yang jelas menuju pemahaman yang lebih mendalam tentang proses manufaktur dan penetapan strategi pengendalian yang kuat. Saya percaya semua ini tidak revolusioner atau menyeluruh; namun, menurut saya semua bidang ini layak untuk difokuskan. Ketika kita melihat ke depan, saya yakin kita akan melihat dengan jelas teknologi analitik canggih di masa depan. Oleh karena itu, kita dapat mengharapkan lebih banyak penekanan pada penggunaan teknologi analitik canggih seperti spektrometri massa dan spektroskopi untuk meningkatkan karakterisasi dan pemantauan waktu nyata. Mengenai pemahaman proses dan strategi pengendalian, metodologi tingkat lanjut tentu akan meningkatkan fokus di bidang tersebut. Kami dapat mengantisipasi penekanan yang lebih besar pada keberlanjutan dan teknologi ramah lingkungan secara keseluruhan, di samping fokus yang lebih kuat pada praktik manufaktur berkelanjutan—kami juga telah mulai menerapkan sertifikasi My Green Lab dalam konteks ini—bersama dengan metodologi pendekatan baru, NAMs.

Di bidang tertentu, khususnya untuk pengujian keamanan, sudah ada dorongan untuk mengurangi ketergantungan pada pengujian pada hewan. Kami telah mengamati lembaga-lembaga pemerintah menandatangani perintah terkait hal ini dan mengadopsi pendekatan baru. Meskipun hal ini lebih maju dalam pengujian produk langsung, kita mungkin melihat efek bertahap pada aspek tertentu dari pengujian zat obat dalam jangka panjang. Kita lihat saja bagaimana perkembangannya, namun kita semua harus tetap memperhatikan kemajuan tersebut.

Yang terakhir, dengan adanya pemotongan besar-besaran yang saat ini terjadi di FDA di bawah pemerintahan saat ini, ada alasan untuk khawatir mengenai bagaimana FDA melakukan pendekatan terhadap pengawasan peraturannya terhadap pengujian zat obat (dan hal-hal lain dalam hal ini). Tidak mengherankan jika FDA melambat dan/atau menjadi lebih konservatif dalam 12-18 bulan ke depan, seiring dengan penyesuaian jumlah pegawai dan dukungan di dalam badan tersebut. Para inovator sebaiknya berinteraksi dengan lembaga tersebut sedini mungkin dan terus mengikuti tren peraturan yang sedang berlangsung seiring dengan penyesuaian terhadap kondisi normal yang baru.

Apakah modalitas yang lebih baru menyebabkan perubahan dalam metode atau prosedur analisis standar sebelumnya

Kami jelas melihat peningkatan penekanan pada pengujian biologis. Metode tradisional sering kali mengandalkan karakterisasi fisikokimia, seperti HPLC (kromatografi cair kinerja tinggi) dan spektroskopi. Modalitas yang lebih baru, termasuk terapi sel, terapi gen, biologi kompleks seperti ADC (konjugat antibodi-obat) atau antibodi bispesifik, dan yang terpenting, peptida dan oligonukleotida, memerlukan fokus yang lebih besar pada pengujian biologis untuk menilai potensi, kemanjuran, dan keamanan. Bagi banyak dari mereka, pertanyaannya adalah bagaimana cara terbaik untuk mendefinisikan potensi dan bagaimana menguji kemanjuran secara berkelanjutan.

Kami juga mengamati teknik karakterisasi yang ditingkatkan. Kompleksitas dari modalitas baru ini menuntut metode analisis yang lebih canggih untuk karakterisasi yang komprehensif. Misalnya, peptida, meskipun lebih kecil dari peptida biologis penuh, memerlukan analisis yang cermat untuk konfirmasi urutan, pengotor (misalnya, zat terkait, sisa pelarut), dan kiralitas. Teknik seperti spektrometri massa sangat penting untuk verifikasi berat molekul dan urutan yang tepat, sedangkan kromatografi tingkat lanjut digunakan untuk pemisahan dan kuantifikasi pengotor kecil. Melihat oligonukleotida (seperti siRNA (RNA kecil yang mengganggu), oligos antisense, dan aptamers), ini adalah polimer sintetik kompleks yang memerlukan metode khusus untuk memverifikasi panjang, ketepatan urutan, dan adanya modifikasi (misalnya, ikatan fosforotioat, gugus 2'-O-metil). Teknik seperti elektroforesis kapiler dan pengujian hibridisasi sangat penting di sini, selain kromatografi cair dan MS dengan resolusi tinggi. Selain itu, ada penekanan pada profil pengotor yang spesifik untuk setiap modalitas.

Modalitas yang lebih baru seringkali berbeda secara signifikan dari modalitas molekul kecil. Kita sekarang perlu mempertimbangkan aspek-aspek seperti pengotor yang berhubungan dengan proses, pengotor yang berhubungan dengan vektor (untuk terapi gen), pengotor seluler, dan juga pengotor dan pemotongan sintetik yang merupakan karakteristik dari pembuatan peptida dan oligonukleotida. Selain itu, kita menyaksikan munculnya metodologi pengujian dalam proses yang cepat, yang memfasilitasi perolehan hasil pengujian secara real-time dan berpotensi memungkinkan modifikasi proses berdasarkan hasil tersebut. Untuk beberapa modalitas baru—khususnya terapi sel dan gen—dengan masa simpan yang pendek atau sifat autologus, terdapat peningkatan kebutuhan akan metode pengujian cepat yang dapat memberikan penyelesaian cepat untuk atribut kualitas penting. Kebutuhan ini sering kali diimbangi dengan pengujian yang sangat akurat dan spesifik yang diperlukan untuk oligonukleotida dan peptida guna memastikan kemurnian dan identitas sebelum pelepasan akhir.

Dan hal terakhir yang ingin saya sampaikan adalah peningkatan pengawasan dan perbandingan peraturan. Ini jelas merupakan item yang telah kami lihat ditolak oleh FDA pada pengajuannya di masa lalu. Ketika proses manufaktur untuk modalitas yang kompleks ini berubah, atau ketika kita mengalami transfer teknologi, rencana baru, dan sebagainya, menunjukkan keterbandingan menjadi semakin penting. Hal ini berlaku secara menyeluruh, mulai dari terapi sel hingga peptida sintetik dan oligonukleotida, untuk memastikan kualitas produk dan keselamatan pasien. Pengujian analitis yang ketat sangat penting, karena tidak ada seorang pun yang ingin mengulangi studi klinis untuk melakukan perubahan. Oleh karena itu, kemampuan komparatif dan bukti menjadi lebih penting.

Bagaimana kecerdasan buatan (AI) diperhitungkan saat ini dan di masa depan?

Saya sangat yakin bahwa AI, dalam jangka panjang, akan memainkan peran penting dalam merevolusi industri dan memberikan hasil yang lebih baik di semua tingkatan, baik itu hasil, ketepatan waktu, kecepatan transfer teknologi, pengurangan pekerjaan laboratorium basah yang diperlukan untuk mengembangkan suatu proses, jumlah pengujian yang pada akhirnya diperlukan untuk memastikan kualitas, atau produktivitas secara keseluruhan. Ini hanyalah beberapa hal di mana saya, atau kami sebagai perusahaan, percaya bahwa AI akan mengubah hidup kita secara signifikan. Kami saat ini berada pada tahap awal, sama seperti banyak tahap lainnya.

Prasyarat terpenting bagi AI adalah digitalisasi, dan kami masih berupaya di beberapa bidang untuk memastikan bahwa segala sesuatu yang saat ini tersedia di atas kertas diubah menjadi data sehingga AI benar-benar dapat memanfaatkannya. Menurut saya, aspek terpenting dari penerapan AI adalah masyarakat memahami manfaat kasus penggunaan spesifik untuk setiap proyek. Anda tidak boleh mengejar AI hanya untuk kepentingannya sendiri, namun sudah ada kasus penggunaan luar biasa yang dapat meningkatkan kepatuhan terhadap peraturan, meningkatkan kualitas, dan memperpendek siklus pengembangan, dan kita akan melihat lebih banyak lagi hal serupa di masa depan. AI memiliki potensi untuk mempercepat karakterisasi proses secara signifikan dengan mengidentifikasi pola kompleks di seluruh kumpulan data besar yang seringkali terlalu berbeda untuk metode statistik tradisional. Untuk terapi sel dan gen, yang variabilitasnya tinggi dan ukuran sampelnya kecil, pembelajaran mesin dapat mengoptimalkan parameter seperti efisiensi transfeksi, hasil vektor, atau kondisi ekspansi sel dengan mengkorelasikan variabel masukan dengan atribut kualitas penting. Pada akhirnya, hal ini memungkinkan pengembang untuk menyempurnakan proses dengan lebih efisien dan lebih percaya diri, mengurangi jadwal pengembangan dan meningkatkan konsistensi produk.

Jadi ya, penggunaan AI akan terus meningkat. Hal ini masih dalam tahap awal dan tidak diragukan lagi akan mendorong adaptasi dan revolusi dalam industri di masa depan.

Dengan perubahan kebijakan tarif di Amerika Serikat, apakah ada hambatan antar negara yang harus diatasi untuk memastikan pengujian yang akurat dan adil?

Saya rasa pengujian tersebut tidak akan berdampak pada situasi tarif… Saat ini, (kami) selalu berasumsi bahwa sampel pengiriman akan dibebaskan dari tarif apa pun. Tapi sekali lagi, situasinya berubah-ubah, jadi Anda tidak pernah tahu. Namun anggap saja tidak ada dampak pada pengujian dan eksekusi analitis, jika Anda mau. Dampaknya pada akhirnya adalah biaya pengujian. Artinya, jika bahan tertentu yang digunakan untuk pengujian tertentu berasal dari wilayah tertentu yang kini memiliki tarif, tentu saja biaya pengujian akan menjadi lebih mahal. Saya tidak yakin seberapa besar peran hal ini dalam gambaran yang lebih besar.

Saya pikir dampak tarif terhadap bahan mentah untuk proses manufaktur itu sendiri mungkin jauh lebih besar, dan ini jelas merupakan area yang kami sebagai perusahaan perhatikan. Kami juga mencari tahu, apa dampaknya terhadap perilaku pelanggan kami? Dan seberapa besar mereka akhirnya mengubah strategi pasokannya? Dan bagaimana kita, sebagai penyedia layanan yang saat ini memiliki kemampuan dan kapasitas di tiga benua utama (Amerika, Eropa, dan Asia), bagaimana kita terus membangun jaringan tersebut untuk memenuhi kebutuhan yang terus berubah? Jadi begitulah jelas bagaimana kita melihatnya. Kecepatan perubahan tersebut memperburuk kompleksitas implementasi kebijakan dan tindakan mitigasinya, dan kami melihat dengan jelas beberapa dampak jangka panjang. Kami melihat peningkatan biaya material dan API. Kami melihat potensi penundaan dan gangguan dalam produksi. Kami melihat potensi kendala sumber daya manusia seiring dengan perpindahan sektor manufaktur ke wilayah-wilayah yang akhir-akhir ini tidak memiliki banyak sektor manufaktur. Kita pasti akan melihat pergeseran ke arah manufaktur domestik atau regional. Tekanan harga dari pelanggan, potensi pembalasan dari negara lain… Maksud saya, menurut saya dampaknya beragam, dan sebagai perusahaan, kami akan mengawasinya, dan kami akan melakukan apa yang kami bisa, tentu saja dalam batas tertentu, untuk memastikan bahwa kami memitigasi masalah tersebut.

Apa lagi yang Anda lihat berpotensi berdampak pada pengujian zat narkoba di masa depan?

Menurut saya, yang paling penting saat ini dari sudut pandang saya adalah kita telah melihat, selama setahun terakhir, perubahan signifikan dalam dinamika pasar terapi lanjutan. Dan hasil dari banyak perubahan tersebut saat ini, dari apa yang dapat kita lihat, adalah bahwa perusahaan-perusahaan telah berfokus pada aset-aset yang secara ilmiah lebih menjanjikan. Kami juga telah melihat kemajuan yang signifikan, misalnya dalam kemampuan analitis, kemampuan untuk menemukan metrik potensi yang disetujui oleh pihak berwenang. Banyak dari kemajuan tersebut membuat kita merasa yakin, bahwa kita akan melihat lebih banyak tingkat keberhasilan klinis di masa depan untuk terapi tingkat lanjut. Dan secara keseluruhan, meskipun kita memiliki lebih sedikit aset dalam pengembangan aktif secara global, kemungkinan besar kita melihat lebih banyak aset yang berhasil mendapatkan lisensi dan sukses secara komersial, karena perusahaan terpaksa melalui proses yang sangat ketat untuk menilai portofolio mereka agar dapat dipasarkan di masa depan dan untuk kemajuan ilmu pengetahuan. Dan saya pikir hal ini telah terjadi, terus terjadi sampai batas tertentu, dan kita akan melihat hal ini mengarah pada peningkatan gelombang terapi lanjutan berikutnya.

Di AAPS PharmSci 360, Solusi untuk Tantangan dalam Pengembangan Dispersi Padat Amorf

Pada AAPS PharmSci 360 2025, yang diadakan pada 9-12 November di San Antonio, Texas, Corey Bloom, PhD, direktur asosiasi, CMC (kimia, manufaktur, dan kontrol) dan Peningkatan Bioavailabilitas di Londonmemberikan presentasi bertajuk “Perkembangan Dispersi Padat Amorf untuk Senyawa Mudah Hingga Menantang”.

Di sini, Bloom menjawab beberapa pertanyaan tentang poin-poin penting dalam ceramahnya di konferensi tersebut.

klik disini untuk semua cakupan AAPS kami.

Seberapa pentingkah pemilihan teknologi penghantaran obat yang tepat untuk mengatasi senyawa dengan kelarutan rendah?

Saat ini, senyawa dengan kelarutan rendah atau bioavailabilitas rendah menjadi hal yang lumrah, karena sekitar 90% senyawa praklinis kini diperkirakan memiliki tantangan bioavailabilitas. Hal ini disebabkan oleh semakin banyaknya entitas kimia baru dengan kebutuhan kompleks yang memasuki jalur pengembangan obat.

Kelarutan yang rendah pada tahap awal pengembangan obat menciptakan tantangan yang signifikan bagi perusahaan biofarmasi kecil dan baru. Oleh karena itu, sangat penting untuk memilih formulasi dan strategi proses yang tepat sejak dini untuk memaksimalkan peluang suatu senyawa untuk maju melalui uji klinis dan mencapai keberhasilan produksi komersial. Formulasi dan proses yang optimal dapat menyederhanakan pengembangan, sementara pendekatan yang kurang efektif dapat mengakibatkan jangka waktu pengembangan yang lebih lama dan rumit, atau bahkan kegagalan yang tidak perlu.

Pendekatan formulasi dan pengembangan proses apa yang Anda rekomendasikan?

Pemilihan teknologi yang tepat dan cermat untuk meningkatkan bioavailabilitas sangat penting dalam program pengembangan mulai dari tahap praklinis awal hingga komersialisasi. Proses seleksi teknologi berbasis ilmu pengetahuan disajikan, berdasarkan serangkaian masukan termasuk profil produk target, sifat obat, pengalaman proyek yang luas di masa lalu, peta teknologi, dan pemodelan penyerapan.

Untuk memulai, kami memanfaatkan dalam-silico alat untuk memprediksi bagaimana sifat senyawa tertentu diharapkan berdampak pada kinerja dan dengan demikian memberikan pengukuran sifat fisikokimia obat utama untuk memandu pemilihan teknologi. Kami kemudian meninjau profil produk target untuk menentukan tujuannya, termasuk dosis, profil farmakokinetik, dan gambar.

Kami kemudian menggunakan alat biomodeling untuk membantu menentukan pernyataan masalah dan mengevaluasi kelarutan, laju disolusi, dan permeabilitas. Salah satu pendekatannya adalah memanfaatkan model farmakokinetik berbasis fisiologis untuk mengevaluasi hipotesis tentang hambatan penyerapan, baik itu laju disolusi, kelarutan, dan/atau permeabilitas. Seorang perumus dapat menggunakan pemodelan serapan untuk memahami yang ada secara in-vivo data untuk perumusan kepentingan atau menetapkan kerangka untuk memprediksi secara in-vivo kinerja dengan yang ada in-vitro data. Model ini juga berguna untuk memprediksi atribut formulasi spesifik dari formulasi yang diaktifkan (misalnya, dispersi padat amorf, formulasi berbasis lipid) seperti bagaimana spesies obat tertentu dapat berkontribusi terhadap penyerapan.

Melalui proses ini, kami dapat berkolaborasi dengan pengembang obat untuk memilih pendekatan formulasi tingkat tinggi yang paling tepat dan mengoptimalkan formulasinya in-vitro pengujian dan secara in-vivo konfirmasi.

Mengapa dispersi padat amorf memiliki penerapan yang begitu luas?

Dispersi padat amorf (ASDs) dapat memberikan kinerja dan stabilitas optimal untuk senyawa dengan rentang sifat yang cukup luas, termasuk lipofilisitas, titik leleh, dan pKa. Dengan membebaskan API dari kisi kristal dan memasukkan eksipien yang meningkatkan konsentrasi, ASD dapat meningkatkan kelarutan obat hingga 10 kali lipat dibandingkan API kristal. Perbaikan ini memfasilitasi pembubaran dalam cairan gastrointestinal (GI) dan mengoptimalkan jumlah obat yang memasuki aliran darah. Peningkatan bioavailabilitas oral ini berpotensi meningkatkan outcome pasien dengan mengurangi variasi paparan plasma, menurunkan dosis yang diperlukan, dan memitigasi dampak asupan makanan dan kondisi sistem GI pada populasi pasien tertentu.

Meningkatkan bioavailabilitas melalui ASD dapat dicapai melalui ekstrusi lelehan panas (HME) atau pengeringan semprot. Sifat API produk obat dan tahap pengembangannya merupakan faktor penting untuk dipertimbangkan ketika memutuskan teknik mana yang akan digunakan. HME menawarkan keunggulan pemahaman proses yang matang, jejak proses yang kecil, pengoperasian yang berkelanjutan, dan skalabilitas yang siap pakai. Atribut-atribut ini dapat meningkatkan fleksibilitas operasi unit, sehingga menghasilkan biaya produksi yang relatif lebih rendah dan rangkaian proses komersial yang lebih menarik. HME juga merupakan unit operasi bebas pelarut yang dapat menghilangkan kekhawatiran tentang pengotor pelarut sekaligus memungkinkan keberlanjutan.

Teknik lainnya adalah dispersi pengeringan semprot. Metode ini cocok untuk jenis API dan polimer dispersi yang lebih luas karena API dan eksipien dilarutkan dalam pelarut organik yang mudah menguap. Selain itu, pengeringan semprot tidak memerlukan peleburan API agar API terkena panas berlebihan selama produksi dispersi amorf. Hal ini juga dapat diperkecil, sehingga memungkinkan penyaringan formulasi dengan jumlah API yang lebih kecil.

Untuk senyawa yang menantang, apa sajakah praktik terbaik untuk proses dispersi kering semprot?

Senyawa penantang memiliki kelarutan rendah dalam pelarut mudah menguap yang disukai, dan/atau kecenderungan mengkristal selama pembuatan. Untuk senyawa-senyawa ini, penting untuk mengembangkan peta jalan produksi praklinis hingga tahap akhir dan komersial untuk meningkatkan bioavailabilitas. Hal ini termasuk memulai dengan profil produk target sebelum mengembangkan formulasi dalam pendekatan fase yang sesuai agar sesuai dengan fase pengembangan kandidat obat. Produsen obat dapat memanfaatkan rangkaian lengkap pengering semprot, berdasarkan skala yang diperlukan dan kebutuhan proses, untuk mendukung penilaian kelayakan melalui studi klinis dan komersialisasi.

Ada juga beberapa faktor yang perlu dipertimbangkan selama proses berlangsung. Perbaikan proses khusus termasuk perubahan suhu atau bantuan pemrosesan dapat memungkinkan pembuatan senyawa yang sulit. Lebih lanjut, ilmu skala untuk mengevaluasi variabel proses utama di awal pengembangan dan menerjemahkannya ke dalam pengembangan skala penuh dapat membantu menghemat waktu, uang, dan penggunaan API dari pendekatan coba-coba.

Bagaimana metode ini dapat membantu menghemat waktu dan bahan?

Selama tahap awal pengembangan obat, fokus utama adalah mencapai kinerja optimal dan memindahkan obat ke uji klinis secepat mungkin. Seiring kemajuan obat melalui uji klinis dan mendekati komersialisasi, pertimbangan seperti biaya, efisiensi produksi, dan keberlanjutan menjadi semakin penting.

Bermitra dengan organisasi pengembangan dan manufaktur kontrak yang menawarkan berbagai teknik formulasi dan pengalaman luas dalam peningkatan skala serta potensi kendala teknis dan logistik sangat penting untuk memilih strategi pengembangan terbaik. Kolaborasi ini membantu memastikan bahwa formulasi yang efektif dan stabil telah ditetapkan sejak dini, sehingga mengurangi risiko penundaan yang mahal dan kebutuhan akan reformulasi di kemudian hari dalam proses klinis.

Mengapa Teknisi Gagal dalam Ujian PTCB & Cara Menghindari Jebakan.

Kegagalan Ujian PTCB dalam Perspektif.

Lulus ujian PTCB merupakan sebuah tonggak sejarah yang membuka pintu terhadap peluang kerja baru, gaji yang lebih tinggi, dan landasan profesional yang lebih kuat.

Namun meskipun ujiannya dapat dilewati dengan persiapan yang tepat, banyak teknisi yang gagal pada percobaan pertama mereka. Menurut PTCB.org, terdapat 46.725 ujian PTCB yang diselenggarakan pada tahun 2024, dengan sekitar 70% teknisi lulus ujian.

Itu berarti hampir sepertiga teknisi gagal dalam ujian.

Alasannya bukan karena kurangnya usaha, pengetahuan, kecerdasan atau bakat. Sebaliknya, itu adalah pola, kesalahan yang dapat diprediksi, dan kesalahan langkah yang dapat dihindari.

Dalam panduan ini, kami menguraikan tiga kendala terbesar yang menyebabkan teknisi farmasi gagal dalam PTCB — dan, yang lebih penting, bagaimana cara menghindarinya.

Jebakan #1: Tidak Belajar Sesuai Blueprint PTCB Terbaru.

Salah satu kesalahan paling umum – dan mahal – yang dilakukan teknisi adalah mempelajari materi yang “salah”. Bukan karena mereka kurang belajar; itu karena mereka tidak mempelajari hal yang benar.

Banyak teknisi:

  • Andalkan panduan belajar yang sudah ketinggalan zaman
  • Menghabiskan terlalu banyak waktu untuk menghafal setiap nama obat yang mereka temukan
  • Gunakan video YouTube acak atau ringkasan TikTok
  • Tinjau soal latihan yang tidak sesuai dengan tingkat kesulitan atau format PTCB

Meskipun sumber daya ini dapat membantu, sumber daya ini sering kali berfokus pada konten yang belum diuji secara mendalam, atau lebih buruk lagi, tidak relevan lagi. Ujian PTCB terus berkembang — terutama dengan adanya teknologi baru, pedoman yang diperbarui, dan pergeseran tanggung jawab praktik farmasi. Sebuah silabus PTCB yang diperbarui akan berlaku efektif mulai Januari 2026, misalnya.

Cetak biru ujian PTCB saat ini dibagi menjadi empat domain:

  • Obat-obatan
  • Persyaratan Federal
  • Keamanan Pasien dan Jaminan Mutu
  • Entri dan Pemrosesan Pesanan

Namun ada hal yang terlewatkan oleh banyak siswa: ujian ini menekankan keterampilan dan skenario, bukan sekadar hafalan mentah.

Misalnya:

  • Daripada meminta Anda mengingat semua ACE inhibitor, ujian mungkin meminta Anda mengidentifikasi ACE inhibitor dari empat kemungkinan jawaban. Mengetahui sufiks golongan obat sudah cukup untuk menjawab pertanyaan-pertanyaan ini.
  • Daripada menghafal 100 kode Sig, Anda mungkin diuji untuk mengidentifikasi instruksi yang tidak aman atau mengidentifikasi desimal mana yang harus diklarifikasi.

Buat rencana studi Anda dengan meninjau cetak biru PTCB resmi dan terkini. Segala sesuatu yang Anda pelajari harus terkait dengan domain tersebut. Gunakan materi pelajaran terkini yang mencerminkan struktur ujian 2026 – 2027.

Fokus pada tugas praktik farmasi yang nyata, bukan fakta yang tidak jelas. Ini termasuk:

  • Mengidentifikasi kelas obat dan kegunaan umum mereka.
  • Mengenali risiko keamanan pengobatan yang umum.
  • Memahami alur kerja (mulai dari penerimaan resep hingga pengeluaran).
  • Mengetahui dasar-dasar hukum federal dan persyaratan zat yang dikendalikan.
  • Melakukan matematika farmasi tanpa kalkulator.

Jika sumber daya Anda tidak mencerminkan prioritas ini, skor Anda akan menunjukkan hal tersebut.

Kesalahan #2: Yayasan Matematika Farmasi yang Lemah.

Ketika teknisi farmasi gagal dalam ujian PTCB, satu topik biasanya menjadi penentu antara lulus dan gagal dalam ujian: matematika farmasi. Matematika merupakan bagian penting dari ujian dan memiliki dampak yang tidak proporsional terhadap nilai Anda karena:

  • Soal matematika biasanya membutuhkan waktu lebih lama untuk diselesaikan.
  • Seringkali mereka hanya mempunyai satu jawaban yang jelas benar.
  • Mereka sering kali diberi beban lebih berat.
  • Soal matematika seringkali mengungkap kesenjangan pemahaman dengan cepat.

Seorang teknisi yang menjawab 80% soal matematika dengan salah memiliki peluang yang kecil untuk lulus — bahkan jika mereka unggul dalam topik lain. Matematika farmasi menantang karena beberapa alasan:

  • Banyak teknisi yang tidak berlatih matematika selama bertahun-tahun.
  • Kecemasan menghadapi ujian meningkat dalam perhitungan multi-langkah yang berjangka waktu.
  • Beberapa teknisi terlalu bergantung pada kalkulator atau aplikasi saat belajar.
  • Beberapa teknisi menghafal rumus alih-alih mempelajari metode dibalik rumus tersebut.

Namun ada langkah nyata yang dapat Anda lakukan untuk memitigasi risiko tersebut, antara lain:

  • Mengerjakan matematika secara langkah demi langkah. Jangan pernah melakukan lebih dari satu langkah dalam satu waktu.
  • Berlatih matematika PTCB setiap hari, bahkan selama 10-15 menit.
  • Kerjakan akurasi sebelum kecepatan. Selalu periksa ulang satuan – dan hindari detail dalam pertanyaan yang tidak relevan untuk menemukan jawaban yang benar.
  • Catat setiap kesalahan yang Anda buat. Tinjau dan latih jenis pertanyaan yang sama untuk menghilangkan kesalahan ini seiring waktu.
  • Latihlah pertanyaan matematika sebanyak mungkin menjelang ujian. Semakin banyak latihan yang Anda lakukan, semakin banyak Anda dapat menutup kesenjangan pengetahuan yang mungkin Anda miliki.

Dengan mengambil tindakan, Anda perlahan tapi pasti dapat mengembangkan dan mengasah kemampuan matematika Anda seiring berjalannya waktu.

Jebakan #3: Salah Mengelola Kecemasan Ujian dan Kondisi Hari Ujian.

Bahkan teknisi yang sudah terlatih sekalipun terkadang gagal dalam ujian bukan karena pengetahuan kontennya, namun karena tekanan ujian, masalah waktu, atau kelelahan mental. Bagaimanapun, ujian PTCB memiliki risiko yang tinggi. Skor kelulusan dapat berarti:

  • Dipekerjakan
  • Mendapatkan gaji yang lebih tinggi
  • Pindah dari peserta pelatihan ke teknisi bersertifikat
  • Memenuhi syarat untuk peran rumah sakit
  • Meningkatkan keamanan karir

Hal ini saja dapat memberikan banyak tekanan kepada teknisi, sehingga menimbulkan kecemasan dan stres yang menyebabkan:

  • Peningkatan detak jantung
  • Pengurangan memori kerja
  • Pengambilan keputusan lebih lambat atau buruk
  • Pertanyaan sederhana tiba-tiba terasa rumit
  • Peningkatan dugaan kedua

Banyak teknisi yang keluar dari ujian karena mengetahui isinya, tetapi merasa pikiran mereka “kabur”. Mengingat ujian PTCB memiliki waktu yang ketat, teknisi sering kali:

  • Menghabiskan terlalu banyak waktu untuk pertanyaan-pertanyaan sulit
  • Tergesa-gesa melewati hal-hal yang lebih mudah, sering kali membuat kesalahan yang bisa dihindari
  • Gagal menandai pertanyaan untuk ditinjau
  • Sering kali terlalu memikirkan soal matematika sederhana
  • Panik ketika jam terus berjalan
  • Pertanyaan salah dibaca, kata kunci seperti “tidak”, “kecuali”, dan “pertama” hilang
  • Membingungkan obat yang terdengar mirip atau mirip

Satu kesalahan manajemen waktu dapat menjadi semakin besar seiring berjalannya waktu, sehingga menciptakan kondisi kegagalan ujian. Namun, kesalahan ini dapat dihindari dengan kebiasaan yang benar pada hari ujian:

  • Ikuti ujian praktik simulasi. Gunakan ujian praktik jangka panjang dan berjangka waktu yang meniru kondisi sebenarnya (catatan: jika Anda adalah anggota kursus online kami, Anda akan memiliki akses ke 4 ujian tersebut).
  • Ikuti aturan 60 detik. Jika Anda tidak dapat menjawab pertanyaan dalam satu menit, tandai dan lanjutkan.
  • Susun ulang pertanyaan-pertanyaan sulit secara psikologis. Pertanyaan yang menantang biasanya tidak berarti Anda gagal — itu berarti Anda mengalami kemajuan secara normal melalui berbagai tingkat kesulitan.
  • Jangan mengubah jawaban kecuali Anda menemukan kesalahan yang jelas. Insting pertama Anda biasanya benar.
  • Gunakan pola pernapasan untuk mengatur ulang fokus Anda. Teknik seperti box breath 4 detik mampu menstabilkan adrenalin dengan cepat.

Persiapkan rutinitas hari ujian Anda sebelumnya. Ini termasuk:

  • Tidur yang cukup
  • Hidrasi
  • Makanan ringan
  • Tiba lebih awal, tapi tidak juga lebih awal
  • Mengenakan pakaian yang nyaman
  • Menghindari menjejalkan di menit-menit terakhir. Hal ini seringkali menimbulkan kebingungan.
  • Percayai persiapan dan insting Anda. Kepercayaan diri adalah sebuah keterampilan, dan dapat dipraktikkan seperti halnya matematika.

Pikiran Terakhir.

Kebanyakan teknisi farmasi gagal dalam PTCB bukan karena isinya terlalu sulit, namun karena mereka jatuh ke dalam perangkap yang dapat diprediksi:

  • Belajar secara luas, bukan secara strategis.
  • Menghindari atau salah mempelajari matematika farmasi.
  • Membiarkan stres ujian mendominasi kinerja hari ujian.

Jebakan ini nyata, namun dapat dihindari.

Jika Anda belajar sesuai dengan cetak biru PTCB, memperkuat keterampilan matematika Anda menggunakan satu metode yang dapat diandalkan, dan melatih diri Anda untuk menghadapi kondisi hari ujian, Anda menempatkan diri Anda pada posisi terbaik untuk lulus ujian pada upaya pertama Anda.

Singkatnya:

  • Upaya yang konsisten mengalahkan kerja keras.
  • Perencanaan yang cerdas mengalahkan hafalan.
  • Keyakinan mengalahkan kepanikan.

Dengan secara aktif mengambil langkah nyata dalam beberapa minggu dan bulan menjelang ujian PTCB, Anda dapat menciptakan kondisi yang menghindari jebakan ini dan memaksimalkan hasil tes Anda.

Apakah panduan hari ini bermanfaat tentang mengapa teknisi gagal dalam ujian PTCB? Akses kursus online kami hari ini untuk bergabung dengan 94% teknisi yang telah lulus ujian dengan bantuan kami. Dapatkan akses instan ke dasbor pembelajaran pribadi lengkap Anda hari ini.

Kegagalan Terus-menerus di Inggris dalam Mengkomersialkan Penelitian dan Pengembangan Mengancam Ilmu Hayati: Laporan

Laporan dari Komite Sains dan Teknologi House of Lords Inggris, berjudul “Pendarahan hingga Kematian: Darurat Pertumbuhan Sains dan Teknologi,” menyoroti tantangan signifikan yang mengancam posisi Inggris dalam lanskap ilmu pengetahuan global, khususnya dalam sektor ilmu hayati (1). Meskipun Inggris mempertahankan basis penelitian dan pengembangan yang kompetitif secara global, namun kurang efektif dalam mengkomersialkan penelitian dan pengembangan, yang menyebabkan kegagalan terus-menerus bagi perusahaan-perusahaan tahap awal yang menjanjikan untuk meningkatkan skala dan tetap berada di dalam negeri, menurut laporan tersebut.

Kondisi sektor ilmu hayati saat ini disajikan sebagai gambaran dari “kurangnya pemikiran jangka panjang dan koordinasi dalam kebijakan pemerintah,” menurut analisis yang dilakukan oleh Resilience, Pusat Keunggulan Manufaktur Obat-obatan Inggris (2).

Situasi ini telah memicu hal-hal negatif yang besar dalam industri farmasi, dengan para pemimpin utama menyatakan bahwa perusahaan-perusahaan farmasi besar memberi isyarat bahwa mereka akan “keluar” dan mengurangi investasi (1,2). Urgensi untuk mengatasi isu-isu ini ditegaskan oleh kejadian-kejadian baru-baru ini, termasuk pembatalan pusat penelitian Inggris senilai £1 miliar (US$1,3 miliar) yang dilakukan oleh Merck, dengan menyebut Inggris “tidak kompetitif secara internasional,” dan rumor bahwa AstraZeneca meningkatkan pencatatan sahamnya di Amerika Serikat (2). Jika Inggris kehilangan keahlian ilmu hayat dan perusahaan farmasi besar, maka akan terdapat konsekuensi besar terhadap penemuan, pengembangan, dan produksi obat di seluruh dunia, yang beberapa di antaranya akan dibahas dalam pertanyaan-pertanyaan berikut.

Apa implikasi lain yang disarankan oleh laporan ini?

Selain pentingnya kebijakan terkoordinasi dan reformasi keuangan, para ahli menekankan bahwa mengatasi kemerosotan Inggris memerlukan investasi mendasar pada sumber daya manusia yang berbakat (2). Persyaratan pelatihan tenaga kerja yang berkelanjutan ini sangat penting untuk memungkinkan peningkatan produktivitas teknologi dan memastikan sektor ilmu hayat dapat memenuhi kebutuhannya di masa depan.

Mengapa perusahaan kesulitan untuk meningkatkan skalanya?

Perusahaan-perusahaan ilmu pengetahuan dan teknologi, termasuk yang bergerak di bidang ilmu hayati, mengalami kesulitan yang signifikan untuk mendapatkan peningkatan pendanaan di dalam negeri setelah mereka melampaui pendanaan Seri A. Hal ini sering kali menyebabkan perusahaan-perusahaan yang didukung oleh ventura mencari pendanaan dari luar negeri, terutama Amerika Serikat, yang memiliki kumpulan modal yang lebih besar, atau mengakibatkan akuisisi oleh pembeli di luar negeri (1).

Bagaimana kesenjangan keterampilan dapat ditutup?

Investasi dalam menarik, melibatkan, dan melatih generasi masa depan dipandang penting, karena keterampilan dianggap sebagai mesin pertumbuhan yang mendorong perusahaan untuk berinvestasi dan berinovasi. Inisiatif seperti Resilience menggunakan teknologi realitas virtual canggih untuk memberikan pelatihan, yang membantu meningkatkan produktivitas, memberikan keterampilan praktis, dan mendukung tujuan keberlanjutan dengan mengurangi limbah laboratorium dan bahan habis pakai yang mahal (2).

Referensi

1. Dewan Bangsawan, Pendarahan Sampai Mati: Darurat Pertumbuhan Ilmu Pengetahuan dan Teknologi; Laporan Sidang ke-2; Parlemen Inggris, November 2025.
2. Ketahanan—Pusat Keunggulan Keterampilan Manufaktur Obat Inggris. Laporan House of Lords Mengatakan Pemerintah Kurang Berpikir Jangka Panjang dalam Ilmu Hayati, Namun Akademisi Terkemuka Mengatakan Permasalahannya Semakin Mendalam. Siaran Pers. 14 November 2025.

Digital Twins yang Didukung AI Mencapai Akurasi Tinggi dalam Perkiraan Fungsi Paru-Paru Manusia

Proses penelitian dan pengembangan farmasi sering kali menghadapi hambatan besar, termasuk biaya tinggi dan jangka waktu yang panjang, yang sering kali berasal dari menurunnya kemampuan penerjemahan temuan dari model praklinis, menurut Xuanzi Zhou, mahasiswa PhD, University Health Network di Toronto, Kanada, yang memaparkan poster di AAPS Farmasi 360diadakan 9-12 November 2025 di San Antonio, Texas. Metode konvensional, seperti model hewan dan organoid jaringan, seringkali terbukti tidak memadai dalam menangkap sepenuhnya kompleksitas dinamis yang melekat pada tubuh manusia, Zhou dan rekannya di Universitas Toronto—Bo Wang, PhD, Profesor; Yiyang Wei, murid master; Serena Hacker, peneliti pembelajaran mesin; Sumin Kim, mahasiswa PhD; Marcelo Cypel, profesor; Shaf Keshavjee, MD, profesor; dan Andrew Sage, PhD, profesor—menyatakan.

ex vivo perfusi paru (EVLP) menawarkan platform canggih yang dikembangkan untuk menilai paru-paru manusia yang terisolasi dalam kondisi fisiologis, sehingga memungkinkan pengujian terapeutik untuk aplikasi seperti terapi sel induk, terapi gen, dan imunomodulasi (1-6). Terlepas dari kegunaannya, standarisasi evaluasi obat dalam EVLP menggunakan desain studi dua kelompok acak konvensional menghadirkan tantangan, kata para peneliti, khususnya karena terbatasnya ketersediaan organ tubuh manusia, yang memperpanjang pendaftaran dan meningkatkan biaya, dan variabilitas antar subjek yang besar, yang mempersulit interpretasi hasil.

Untuk mengatasi keterbatasan ini, tim mengeksplorasi konsep kembar digital—simulasi komputer terhadap objek fisik—sebuah pendekatan yang menjanjikan dalam bidang kedokteran namun sebagian besar belum dieksplorasi dalam penemuan obat (7). Mengingat prosedur EVLP menghasilkan data multimodal fungsi paru secara real-time, menurut Zhou, dkk, lingkungan ini menawarkan peluang unik untuk melatih model pembelajaran mesin (ML). Tujuan inti dari penelitian mereka adalah pengembangan metodologi berbasis ML yang menggunakan lebih dari 300 algoritma ML yang beroperasi secara bersamaan untuk secara akurat mensimulasikan fungsi paru-paru manusia di masa depan. Sebagai demonstrasi kegunaan klinis, para peneliti bertujuan untuk memvalidasi kembaran digital ini untuk evaluasi praklinis mengenai keamanan dan kemanjuran terapi yang ditargetkan pada EVLP.

Bagaimana model paru-paru digital dikembangkan dan dilatih?

Upaya pemodelan didasarkan pada kumpulan data klinis komprehensif yang berasal dari kasus klinis EVLP yang dilakukan antara tahun 2008 dan 2024 di Rumah Sakit Umum Toronto. Data multi-modal yang dihasilkan mencakup spektrum luas karakteristik paru-paru manusia, seperti pengukuran fisiologis, fitur pencitraan medis, transkriptomik, dan berbagai biomarker proteomik, metabolomik, dan biokimia.

Untuk membuat model perkiraan, para peneliti melatih model multi-modal menggunakan k-fold cross-validation, menggunakan model berbasis pembelajaran mendalam yang dikenal sebagai Gated Recurrent Unit bersama dengan model XGBoost berbasis pohon. Kinerja model diukur secara kuantitatif menggunakan rata-rata kesalahan absolut dan persentase kesalahan absolut.

Dua strategi pemodelan berbeda diterapkan dalam mengembangkan kembaran digital paru-paru manusia. Strategi digital twin 'statis' menggunakan satu set data dasar statis fungsi paru-paru sebagai masukan untuk memperkirakan fungsi paru-paru di masa depan. Sebaliknya, pendekatan digital twin 'dinamis' dirancang untuk dikalibrasi ulang menggunakan data fungsional tambahan, dan hanya memperkirakan titik waktu berikutnya berdasarkan data fungsi paru-paru terbaru.

Untuk membuktikan validasi konsep paru-paru digital ini, para peneliti mempelajari kohort dari 16 paru-paru yang sebelumnya telah menerima aktivator plasminogen tipe jaringan (tPA), sebuah terapi trombolitik. Kemanjuran terapeutik, diukur berdasarkan tekanan arteri pulmonal (PAP), dan keamanannya, dinilai berdasarkan tingkat edema, dievaluasi berdasarkan kasus per kasus menggunakan kembaran digital yang sesuai untuk setiap paru yang dirawat.

Apakah si kembar digital mengungkap efek terapeutik yang terlewatkan oleh metode tradisional?

Perkembangannya berhasil, menghasilkan kembaran digital dari sebuah ex vivo paru-paru manusia yang secara akurat memprediksi fungsi paru-paru di lebih dari 75 parameter fungsional berbeda yang diukur selama EVLP. Pendekatan kembar digital menunjukkan keandalan yang tinggi, mencapai akurasi lebih dari 90% baik dalam peramalan fisiologi, biokimia, metabolit, dan transkriptomik jangka pendek dan jangka panjang (Gambar).

Tim peneliti menemukan bahwa pendekatan kembar digital untuk evaluasi terapi praklinis mengungguli desain studi praklinis konvensional. Keuntungan utamanya adalah kemampuan si kembar digital untuk berhasil memprediksi hasil kontrafaktual—keadaan paru-paru jika terapi tidak diterapkan. Kemampuan ini memungkinkan analisis statistik berpasangan antara paru-paru yang diberi pengobatan dan kembaran digitalnya yang tidak diobati. Sebagai contoh yang representatif, satu kasus EVLP yang diobati dengan tPA menunjukkan penurunan PAP dibandingkan dengan kembaran digitalnya, tanpa peningkatan edema yang signifikan.

Saat melakukan analisis berpasangan pada kohort paru-paru manusia yang diobati dengan tPA, metodologi digital twin menunjukkan penurunan PAP yang signifikan dalam waktu dua jam setelah pengobatan (P=0,031). Temuan ini sangat kontras dengan hasil desain studi dua kelompok konvensional, yang bila diterapkan pada data kohort yang sama, tidak menunjukkan perbedaan signifikan pada PAP pada satu atau dua jam pasca perawatan. Akibatnya, penelitian ini menunjukkan bahwa hanya pendekatan digital twin yang cukup sensitif untuk mengidentifikasi penurunan PAP yang disebabkan oleh pengobatan praklinis.

Pendekatan kembar digital menghasilkan model virtual paru-paru manusia yang dibangun berdasarkan kumpulan data klinis terbesar yang tersedia di dunia ex vivo prosedur perfusi paru-paru, negara bagian Zhou dan tim. Kembar digital ini berhasil dan akurat memprediksi serangkaian parameter fisiologi paru-paru yang komprehensif, selain biomarker proteomik, metabolomik, transkriptomik, dan biokimia. Kegunaan model untuk evaluasi terapi praklinis divalidasi menggunakan data dunia nyata, yang menunjukkan kapasitas model tersebut untuk mengungkap wawasan baru mengenai efek pengobatan. Dengan memfasilitasi perbandingan langsung antara organ fisik manusia dan organ virtualnya, kembaran digital siap mendukung kemajuan dalam terapi presisi dan mempercepat proses penemuan obat praklinis, simpul Zhou.


Referensi

  1. Cypel, M; Yeung, J; Hirayama, S; dkk. Teknik Perfusi Paru Normothermik Ex Vivo yang Berkepanjangan. J Transplantasi Jantung Paru. 2008;27(12)1319-1325.
  2. Cypel, M; Yeung, J; Liu, M; dkk. Perfusi paru ex vivo normotermik dalam transplantasi paru klinis. N Engl J Med. 2011;364(15):1431-1440.
  3. Mesaki, K; Juvet, S; Yeung, J; dkk. Imunomodulasi Paru Donor dengan Aktivasi Ekspresi IL-10 yang dimediasi CRISPR. J Transplantasi Jantung Paru. 2023;42(10):1363-1377.
  4. Nakajima, d; Watanaba, kamu; ohsumi, a; dkk. Terapi Sel Stroma Mesenkim Selama Perfusi Paru Ex Vivo Memperbaiki Cedera Iskemia-reperfusi pada Transplantasi Paru. J Transplantasi Jantung Paru. 2019;38(11):1214-1223.
  5. Wang, A; Ribeiro, R; Ali, A; dkk. Perawatan Enzimatik Ex vivo Mengubah Paru-Paru Donor Golongan Darah A menjadi Paru-Paru Golongan Darah Universal. Kedokteran Terjemahan Sains. 2022;14(632):eabm7190.
  6. Nykänen, A; Mariscal, A; Duong, A; dkk. Imunomodulasi Transplantasi Paru dengan Jendela Terapi Sel Stroma Mesenkim Rekayasa Genetik untuk Interleukin-10. Sel. 2024;13(10):859.
  7. Zhou, X; Wang, B; Wei, Y; dkk. Pendekatan Baru untuk Pengembangan Obat Praklinis Menggunakan Kembar Digital Paru-paru Manusia Ex Vivo. Abstrak Poster AAPS PharmSci 360 2025. Diakses 11 November 2025.

Bagaimana Tablet Cetak 3D Dapat Mengoptimalkan Pengobatan Nefropati IgA

Nefropati IgA (IgAN) diketahui sebagai penyebab utama penyakit ginjal kronis dan merupakan penyebab utama gagal ginjal, yang ditandai dengan kerusakan autoimun kronis dan progresif pada ginjal (1). Perawatan yang efektif memerlukan intervensi yang ditargetkan. Budesonide adalah pengobatan pertama yang disetujui oleh FDA yang terbukti mengurangi tingkat kehilangan fungsi ginjal pada pasien dewasa yang menangani IgAN (2). Mekanismenya bergantung pada obat yang bekerja secara lokal pada ileum terminal untuk mengurangi jumlah antibodi IgA1, sehingga mengobati IgAN. Secara paralel, pencetakan tiga dimensi (3D) merupakan teknologi baru yang menawarkan solusi inovatif bagi pasien dan industri farmasi (3). Teknologi ini dapat memberikan keuntungan besar pada desain produk obat dengan memungkinkan konstruksi struktur bentuk sediaan yang tepat. Selain itu, pencetakan 3D memfasilitasi perawatan yang berpusat pada pasien, seperti pemberian dosis yang dipersonalisasi, mengakomodasi pengobatan kondisi penyakit tertentu atau populasi pasien, dan menyediakan mode pelepasan serbaguna untuk memenuhi persyaratan klinis.

Untuk penelitian yang dipresentasikan melalui poster “Tablet Target Ileum Cetak 3D untuk Pengobatan Nefropati IgA” oleh Xiaoling Li, PhD, profesor/CSO di Triastek, Inc., di AAPS Farmasi 360diadakan pada 9-12 November 2025 di San Antonio, Texas (5), Li dan rekan-rekannya di Triastek, Inc—Zhaoyao Chu, PhD, ilmuwan, Pengembangan Formulasi; Aiming Ma, PhD, manajer senior, Pengembangan Formulasi; Lanfang Chen, PhD, analis industri senior; Fenge Zhang, direktur, CMC; dan Senping Cheng, PhD, pendiri dan CEO—berfokus pada perancangan tablet cetak 3D khusus untuk pengiriman budesonide ke ileum, yang bertujuan untuk memodulasi aktivitas dan jumlah sel B.

Tablet cetak 3D baru dibuat menggunakan platform desain struktur mikro 3D. Pembuatan tablet ini, yang menampilkan struktur lembaran pelapis, dicapai dengan menggunakan teknologi pencetakan 3D lelehan ekstrusi deposisi (MED®) (4). Untuk memverifikasi kinerja secara in-vivoPencitraan sinar-X digunakan untuk melacak transisi gastrointestinal (GI) dan pelepasan budesonide selanjutnya. Barium sulfat dimasukkan ke dalam formulasi untuk berfungsi sebagai zat pelacak selama secara in-vivo belajar.

Bagaimana rilis tertunda tersebut berhasil dicapai?

Melalui penerapan desain struktur mikro 3D yang dipadukan dengan teknologi pencetakan MED 3D, tablet rilis tertunda yang fungsional berhasil dirancang dan dibuat. Gambar sinar-X yang diambil selama penelitian menunjukkan bahwa pelepasan obat terjadi dalam waktu empat jam, memastikan keberhasilan penargetan usus kecil bagian distal. Yang terpenting, studi farmakokinetik manusia menunjukkan pemberian budesonide yang lebih konsisten di dalam ileum bila dibandingkan dengan formulasi obat pelepasan target tradisional (Gambar). Konsistensi yang ditingkatkan ini dikonfirmasi dengan mengamati penurunan variabilitas Tlag (waktu jeda) dan Tmax (waktu hingga konsentrasi maksimum).

Apa dampak jangka panjang terhadap variabilitas pengembangan obat?

Penelitian ini memvalidasi bahwa teknologi pencetakan 3D MED dan desain mikrostruktur 3D dapat berhasil dimanfaatkan untuk mengembangkan produk obat dengan profil pelepasan yang tepat dan diinginkan yang ditargetkan ke lokasi GI tertentu. Pada akhirnya, tablet pelepasan tertunda budesonide yang dicetak 3D ini mencapai penghantaran obat yang lebih tepat ke area usus kecil bagian bawah, sehingga menghasilkan pengurangan yang signifikan. secara in-vivo variabilitas.

Referensi

  1. Itu, W; Liang, S; Hu, Y; dkk. Kelangsungan Hidup Ginjal Jangka Panjang dan Faktor Risiko Terkait pada Pasien dengan Nefropati IgA: Hasil dari Kelompok 1.155 Kasus pada Populasi Dewasa Tiongkok. Transplantasi Dial Nefrol. 2012;27(4):1479-1485.
  2. Du, Y; bahasa, Ta; Liu, C; dkk Nefropati IgA: Pemahaman dan Perspektif Saat Ini tentang Patogenesis dan Pengobatan yang Ditargetkan. Diagnostik. 2023;13(2):303.
  3. Tracy, T; Wu, L; Liu, X; dkk. Pencetakan 3D: Solusi Inovatif untuk Pasien dan Industri Farmasi. Farmasi Int J. 2023;631:122480.
  4. Zheng, Y; Deng, F; Wang, B; dkk. Teknologi Pencetakan 3D Melt Extrusion Deposition (MED™) – Pergeseran Paradigma dalam Desain dan Pengembangan Produk Obat Pelepasan Modifikasi. Farmasi Int J. 2021;602:120639.
  5. Li, X; Zhou, Z; Bu, A; dkk. Tablet Target Ileum Cetak 3D untuk Pengobatan Nefropati IgA. Abstrak Poster AAPS PharmSci 360. Diakses 12 November 2025.

Menggunakan Alur Kerja yang Efisien untuk Mengidentifikasi Partikulat dalam Obat Biologis

A studi kasus disajikan di AAPS Farmasi 360yang diadakan pada tanggal 9-12 November di San Antonio, menguraikan pendekatan sederhana untuk mengidentifikasi dan memitigasi keberadaan partikel yang terlihat dalam biologi. Eda Fenercioglu, Ilmuwan, Formulasi di Pfizer, menjelaskan bagaimana alur kerja diterapkan pada formulasi biologis (1). Proses ini dikembangkan untuk mengurangi waktu dan sumber daya serta menjaga kualitas dan relevansi pembuatan data. Pendekatan yang digunakan sejalan dengan metodologi Six Sigma, Define, Measure, Analyze, Improve, Control (DMAIC). Jalur terstruktur menawarkan deteksi partikulat melalui penyelesaian akar masalah. Untuk penelitian ini, partikulat diamati setelah tahap pembuatan dan pada produk obat yang telah dibekukan dan kemudian dicairkan.

Bagaimana alur kerja membantu penilaian partikulat dalam produk?

Inspeksi visual dan pencitraan mikroskop pertama kali digunakan untuk menilai morfologi partikulat sehingga penyebab partikulat dapat ditentukan. Setelah langkah ini, partikulat yang diisolasi dicitrakan ulang dan diukur. Analisis spektroskopi, seperti spektroskopi Fourier-transform inframerah (FT-IR), digunakan untuk memastikan komposisi biokimia partikulat. Hal ini memungkinkan partikulat untuk diklasifikasikan sebagai inheren, intrinsik, atau ekstrinsik untuk studi tindak lanjut yang ditargetkan guna menentukan asal partikulat dan mencegah terulangnya kembali. Meskipun spektroskopi FT-IR digunakan dalam penelitian ini, alur kerja yang dikembangkan memungkinkan alat identifikasi utama diadaptasi, jika diperlukan.

Untuk molekul non-polar atau simetris, spektroskopi Raman direkomendasikan, sedangkan pemindaian mikroskop elektron dengan spektroskopi sinar-X dispersif energi disarankan untuk mengidentifikasi jejak logam atau inklusi yang tidak terlihat di bawah mikroskop optik (1). Karakterisasi jenis serat yang lebih rinci dicapai dengan mikroskop cahaya terpolarisasi. Alat ini juga membantu membedakan protein dan nilon bila digunakan dengan spektroskopi FT-IR.

Selama studi pencampuran dan pengendapan, jumlah partikulat, distribusi ukuran, dan morfologi dinilai dengan pengaburan cahaya akurasi tinggi (HIAC-LO) dan pencitraan aliran mikro (MFI) untuk menentukan formulasi partikulat dan kemungkinan perubahan proses yang akan menghilangkan formulasi partikulat di batch mendatang.

Apa yang ditemukan oleh alur kerja?

Studi tersebut menunjukkan bahwa partikulat bersifat melekat dan morfologi serta spektrumnya konsisten dengan komponen produk obat. HIAC-LO dan MFI kemudian digunakan untuk mengidentifikasi bahwa tegangan geser dari pencampuran merupakan penyebab formulasi partikulat dalam produk. HIAC-LO digunakan untuk melakukan studi pengendapan yang menunjukkan bahwa mematikan mixer pada tahap pembuatan tertentu akan menjaga homogenitas larutan, sehingga mencegah terbentuknya partikulat. Studi penyelesaian juga menemukan bahwa produk obat tetap homogen selama waktu penahanan tanpa pencampuran terus menerus; oleh karena itu, perubahan proses dapat dilakukan.

Apa artinya ini bagi inspeksi produk?

Studi tersebut menunjukkan bahwa pendekatan terpadu terhadap identifikasi dan klasifikasi partikulat dapat membantu perbaikan proses dan pengendalian proses secara tepat waktu. Penggunaan alat analisis dalam kerangka DMAIC memberikan analisis akar permasalahan yang efisien yang dapat meningkatkan kualitas produk. Strategi pengendalian yang kuat dapat ditetapkan dengan mendefinisikan dan mengukur karakteristik partikulat diikuti dengan analisis komposisinya yang mengarah pada penerapan perbaikan proses.

Referensi

  1. Fenercioglu, E. Alur Kerja yang Efisien untuk Identifikasi Partikulat yang Terlihat dan Mitigasi Akar Penyebab pada Produk Obat Biologis. Presentasi Poster AAPS PharmSci 360. 11 November 2025. https://aaps2025.eventscribe.net/fsPopup.asp?PosterID=764134&mode=posterInfo.

Menggunakan AI dan Dinamika Molekuler untuk Mengatasi Tantangan Kelarutan yang Buruk

Untuk belajar, disajikan dalam bentuk poster oleh Dineli Ranathunga, PhD, ilmuwan III, Penelitian dan Pengembangan di Thermo Fisher Scientific, di AAPS Farmasi 360Diadakan pada tanggal 9-12 November 2025 di San Antonio, Texas, para peneliti berupaya menggunakan pemodelan in-silico untuk mengidentifikasi pendekatan formulasi terbaik untuk digunakan dengan obat yang sukar larut guna mendukung pengambilan keputusan awal. Ranathunga, Thurman Falk, ilmuwan III, Perkembangan Awal di Thermo Fisher Scientific; Tom Reynolds, PhD, manajer, Penelitian dan Pengembangan di Thermo Fisher Scientific; Nairuti Milan Mehta, ilmuwan II, Penelitian dan Pengembangan di Thermo Fisher Scientific; Thomas Yonker, Wakil Presiden Operasi di Cerevance; dan Sanjay Konagurthu, PhD, direktur senior, Sains dan Inovasi di Thermo Fisher Scientific melakukan penelitian ini berdasarkan premis bahwa industri farmasi terus-menerus menghadapi rintangan dalam memperkenalkan pengobatan baru, terutama ketika berhadapan dengan senyawa yang sulit larut.

Saat ini, antara 70% dan 90% kandidat obat yang sedang dikembangkan dikategorikan sebagai obat yang sukar larut (1). Masalah yang meluas ini memerlukan integrasi awal teknologi formulasi yang tepat ke dalam jalur pengembangan untuk mencegah penundaan yang mahal dalam prosesnya, menurut Dr, Ranathunga dan tim. Pekerjaan mereka menunjukkan bagaimana pemodelan prediktif terintegrasi dapat dimanfaatkan untuk memandu keputusan penting pada tahap awal untuk obat yang sukar larut, kata mereka.

Pendekatan ini menggunakan alat komputasi untuk dengan cepat mengidentifikasi metode pelarutan optimal. Sebagai studi kasus, para peneliti mengevaluasi senyawa CVN424 yang sukar larut. Studi dimulai dengan menilai struktur kimia dan sifat fisikokimia senyawa, menggunakan model kecerdasan buatan (AI) dan pembelajaran mesin (ML) internal untuk memprediksi sifat ketika pengukuran eksperimental tidak tersedia. Semua pekerjaan komputasi, termasuk perhitungan mekanika kuantum, simulasi dinamika molekul, dan pemodelan statistik, dilakukan menggunakan program Kuadran 2.

Bagaimana pemodelan prediktif dapat menyederhanakan pemilihan formulasi?

Langkah awal dalam pendekatan sistematis ini melibatkan penerapan Sistem Klasifikasi Pengembangan untuk mengkategorikan CVN424 berdasarkan karakteristik bawaannya. Kerangka kerja gabungan AI, ML, dan algoritma statistik kemudian digunakan untuk mengarahkan pilihan teknologi formulasi. Kerangka kerja ini menganalisis beberapa karakteristik obat yang penting, termasuk lipofilisitas (Log P), pKa, titik leleh, dosis, kelarutan, kinetika presipitasi, dan stabilitas termal. Analisis ini menghasilkan rekomendasi teknologi pelarutan paling efektif yang dirancang untuk meningkatkan kelarutan dan bioavailabilitas.

Setelah pemilihan teknologi awal, studi komputasi lebih lanjut difokuskan pada identifikasi eksipien yang sesuai. Pemilihan eksipien yang sesuai sangat penting, kata tim peneliti, karena hal ini mengurangi waktu dan biaya yang terkait dengan penyaringan empiris pada sejumlah besar eksipien yang tersedia secara komersial. Perhitungan mekanika kuantum tingkat tinggi digunakan untuk melakukan analisis distribusi konformasi CVN424. Model hubungan struktur-aktivitas kuantitatif tingkat lanjut, yang menggabungkan AI dan ML, menghasilkan deskriptor molekuler (seperti potensi elektrostatis dan donor/akseptor ikatan hidrogen). Deskriptor ini, dikombinasikan dengan energi interaksi molekuler yang berasal dari simulasi dinamika molekuler, membantu menganalisis interaksi obat-eksipien. Dengan membandingkan analisis ini dengan database eksipien yang luas, penelitian ini memperkirakan eksipien dispersi polimer yang sesuai. Selain itu, simulasi dinamika molekuler dilakukan pada pemuatan obat yang bervariasi untuk mengevaluasi bagaimana CVN424 terdispersi dalam matriks eksipien dan untuk menghitung pemuatan obat maksimum yang layak untuk setiap eksipien yang menjanjikan.

Strategi formulasi apa yang direkomendasikan dan diuji?

Hasil pemodelan prediktif memberikan rekomendasi khusus. Misalnya, temuan ini menunjukkan perkiraan kemungkinan keberhasilan berbagai teknologi formulasi pada tiga rentang dosis (Tabel), dengan menyadari bahwa jumlah dosis berdampak signifikan pada strategi formulasi, terutama ketika dosis pastinya masih belum diketahui. Studi ini secara khusus merekomendasikan eksipien timbal dan muatan obat maksimum yang dihitung untuk digunakan dalam formulasi dispersi padat amorf, seperti yang dibuat melalui pengeringan semprot. Cuplikan dari simulasi dinamika molekul secara visual mewakili perilaku dispersi CVN424 dalam matriks eksipien sebagai fungsi pemuatan obat.

Berdasarkan prediksi komputasi ini, Dr. Ranathunga dan tim memilih formulasi semprot-kering dan suspensi nano-giling untuk evaluasi lebih lanjut. Formulasi antara yang dikeringkan dengan semprotan diproduksi menggunakan lima polimer—HPMCAS-H, HPMCAS-M, HPMC E3LV, Eudragit L100, dan Soluplus—yang dipilih berdasarkan wawasan dari pemodelan dan penyaringan awal. Suspensi CVN424 yang digiling nano juga dikembangkan; suspensi ini kemudian diisolasi menggunakan proses pengeringan semprot. Kelayakan formulasi yang dipilih dinilai dengan menggunakan metode seperti karakteristik fisik, stabilitas kimia dan fisik, dan in-vitro kinerja, termasuk kinerja disolusi dua tahap yang biorelevan.

Karya ini menyoroti kegunaan pendekatan prediktif terpadu dalam mempercepat proses formulasi senyawa seperti CVN424. Dengan mengidentifikasi kandidat eksipien yang sesuai dan strategi kelarutan melalui cara komputasi, penelitian ini secara efisien memandu pemilihan formulasi semprot-kering dan giling nano untuk evaluasi selanjutnya. Pada akhirnya, proses ini meminimalkan ketergantungan pada uji coba empiris, menunjukkan potensi yang jelas dari pemodelan prediktif untuk mempercepat garis waktu pengembangan secara keseluruhan, menurut presentasi poster.

Penerapan pemodelan in-silico dalam formulasi obat mirip dengan menggunakan cetak biru digital yang canggih sebelum meletakkan satu batu bata dalam konstruksi, kata para peneliti. Daripada menguji ratusan bahan dan kombinasi secara membabi buta, teknologi prediktif ini mempersempit pilihan yang paling tepat secara struktural, sehingga menghemat banyak waktu dan sumber daya sebelum eksperimen fisik dimulai.

Referensi

1. Ranathunga, D; Falk, T; Reynolds, T; Mehta NM; Yonker, T; Konagurthu, S. Model AI/ML Menginformasikan Pengembangan Obat Tahap AwalPresentasi Poster AAPS PharmSci 360. 12 November 2025.