据使用人工智能寻找足够稳定的口服药物的研究人员称，识别有可能制成药丸的生物药物变得更加容易。

口服给药是配方设计师的主要研究重点。对生物制药无针、提高依从性的给药方法的需求已经促使世界各地的研发实验室检查产品是否可以制成药片。但伦敦大学学院(UCL)药学院教授AbdulBasit博士说，开发口服生物药物并非易事。

“要获得理想的治疗效果，生物药物需要以其原始的预期形式达到目标。口服药物是患者首选的给药途径，”他解释道。“然而，生物药物通常很容易在胃肠道中降解。“[这]可能意味着生物药物在它可以对其目标发挥治疗活性之前就已经降解了。这就是为什么目前大多数生物药物都是通过注射给药的。”

Basit继续说，最大的挑战是确定那些具有在严酷的胃肠道中存活的特性的大分子药物，因为目前的方法复杂、耗时，并且依赖于动物模型。

“生物技术公司将进行一系列实验，以确保他们的生物制药不会在相关环境(例如血液或胃肠液)中迅速降解。这可能涉及将药物与真实液体(但更常见的是模拟液体或动物液体)一起孵育，并测量特定时间段内的药物浓度，”他告诉GEN。

“当将生物药物用于动物和患者时，研究人员可以测量相关体液(如血液、尿液或粪便)中完整药物的含量。这可以指示药物在何处以及如何降解。”

机器学习

为了尝试解决这个问题，Basit和伦敦大学学院的同事开发了一种预测肽稳定性的计算机模拟方法。该方法——在《国际药剂学杂志》上发表的一篇论文中有详细介绍——使用机器学习(ML)来显着加快该过程。

“我们选择ML来预测肽的GI稳定性，因为目前研究人员必须在实验室中测试他们的每一种候选药物，这可能既昂贵又耗时和资源，”他指出。“我们希望让研究人员有机会快速筛选新的肽类药物是否适合口服给药。因此，他们可以通过仅对最有希望的候选人进行实验测试来节省时间。

“我们选择机器学习作为一种预测技术，而不是实验设计或分子建模等，因为它很灵活，可以很好地处理大型数据集，并且可以对具有复杂关系的数据进行建模。此外，它快速、易于获取，并利用文献中的当前证据来预测未经测试的肽药物。”

事实上，这些模型已经在使用。UCL分拆出来的IntractPharma已经将它们应用于其候选生物制药产品线。

而且，根据Basit的说法，虽然重点是预测胃肠道的稳定性，但可以进一步开发所使用的ML技术以用于制造。

“虽然赋予GI稳定性的特征可能与赋予制造稳定性的特征相似，但预测制造稳定性是一项不同的任务，因此需要不同的模型，”他指出。“未来的工作可以探索一种称为迁移学习的新兴ML形式是否可以将与GI稳定性有关的知识转移到制造稳定性上。”