ML은 잉크젯 인쇄 의약품의 결과를 예측할 수 있습니다.

소식

홈페이지홈페이지 / 소식 / ML은 잉크젯 인쇄 의약품의 결과를 예측할 수 있습니다.

May 28, 2023

ML은 잉크젯 인쇄 의약품의 결과를 예측할 수 있습니다.

게시일: 2023년 5월 23일 | Catherine Eckford(유럽 제약 리뷰) | 아직 코멘트가 없습니다. 기계 학습(ML) 모델이 약물의 잉크젯 인쇄 인쇄 가능성을 어떻게 예측했는지 보여주는 논문이 있습니다.

게시일: 2023년 5월 23일 | Catherine Eckford(유럽 제약 리뷰) | 아직 댓글이 없습니다

한 논문에서는 기계 학습(ML) 모델이 약물 제제의 잉크젯 인쇄 인쇄 가능성을 높은 정확도로 예측하는 방법을 보여주었습니다.

International Journal of Pharmaceutics: X에 게재된 논문에 따르면 잉크젯 프린팅을 사용하여 최적화된 기계 학습(ML) 모델은 97.22%의 정확도로 약물 제제의 인쇄 가능성을 예측했습니다.

잉크젯 인쇄로 인해 공식화 및 인쇄 매개변수 최적화에 시간이 많이 걸립니다. 이는 특히 적층 제조와 고유한 제형 및 맞춤형 의약품 생산에 해당됩니다. 후자의 장점은 저렴한 비용과 다양성을 포함합니다. 예를 들어 압전 잉크젯 인쇄는 맞춤형 의약품에 사용되는 인쇄 방법 중 하나입니다.

ML은 융합 증착 모델링(FDM™)으로 인쇄된 제형과 디지털 광 처리(DLP)로 인쇄된 정제의 인쇄 결과와 용해 거동을 예측하는 데 사용되었다고 논문은 밝혔습니다.

이 연구에서는 프린트 헤드 설정인 Z 값을 기반으로 한 제트성에 대한 기존 지침과 비교하여 ML이 어떻게 뉘앙스 차이를 분석하고 보다 신뢰할 수 있는 예측을 제공할 수 있는지 평가했습니다.

연구진은 잉크젯 인쇄 결과에 대한 예측 모델이 개발될 가능성이 있다고 이론화했습니다. 따라서 이 연구에서는 잉크젯 인쇄 인쇄 가능성과 최종 인쇄된 제형의 총 약물 용량을 예측하기 위한 ML 모델의 성능을 개발하고 평가하는 것을 목표로 했습니다.

인쇄 가능성을 예측하기 위해 연구에 사용된 ML 모델은 다음과 같습니다.

최적화된 ML 모델은 높은 정확도로 제형의 인쇄 가능성을 예측하는 것 외에도 97.14%의 정확도로 인쇄 품질을 예측했습니다. 현재 지침에서는 Z 값이 <10인 잉크만 인쇄할 수 있다고 명시되어 있습니다. 이에 비해 이 지침을 따르면 정확도는 64.39%입니다.

제제 개발 및 최적화는 시간과 자원이 많이 소요되는 프로세스로, 인실리코(in silico) 도구의 예측 지침을 통해 상당히 가속화될 수 있습니다.

연구원들은 실제 준비 및 테스트 전에 잉크의 인쇄성을 더 잘 결정하는 예측 도구를 통해 제약 연구원들이 충족되지 않은 임상 과제를 해결하기 위해 보다 독특한 투여 형태를 고안하는 데 집중할 수 있다고 밝혔습니다.

687개의 공식으로 구성된 데이터세트를 분석한 결과 긍정적인 인쇄 결과가 부정적인 결과보다 압도적으로 많이 발표된 것으로 나타났습니다. 불균형한 데이터 세트에도 불구하고 인쇄 가능성 예측을 위해 최적화된 ML 모델은 기존 지침보다 훨씬 더 나은 성능을 보였습니다.

약물 제제의 경우 잉크젯 인쇄를 사용하여 구강분산성 필름, 경부 투여용 생체접착성 필름 및 경피 미세바늘에 약물을 로딩했습니다. 잉크젯 인쇄는 잉크 액체에 분산된 약물 함유 마이크로 및 나노 입자를 분배하는 데에도 사용되었습니다.

잉크젯 프린팅은 기존 제조 기술로는 달성할 수 없는 다른 적층 제조 기술과 결합될 수도 있습니다.

3D 스크린 프린팅 의약품 생산을 위한 협업

예를 들어, 논문에서 강조된 한 연구에서는 FDM™ 3D 프린팅과 함께 잉크젯 프린팅을 사용하여 QR(빠른 응답) 코드가 인쇄된 약물 탑재 정제를 생산했습니다. QR코드는 환자 관련 정보를 스마트폰으로 읽을 수 있도록 인코딩하고, 위조 방지 전략으로 활용되도록 설계됐다.

또 다른 연구에서는 QR 코드가 인쇄된 구강분산성 기질과 캡슐의 제조에도 적용되었습니다. 논문에 소개된 또 다른 사례 연구에서는 잉크젯 프린팅을 사용하여 전체 3D 약물 함유 정제를 제작했습니다.

Carou-Senraet al. 이 연구에서는 기계 학습 모델이 "조제 준비 전에 잉크젯 인쇄 결과에 대한 예측 통찰력을 제공하여 리소스와 시간을 절약할 수 있다"는 점을 입증했다고 결론지었습니다.