Des chercheurs du programme MIT-Takeda ont mis au point une technique de physique et d’apprentissage automatique pour améliorer le processus de fabrication de pilules et de poudres pharmaceutiques. Leur méthode, appelée PEACE, consiste à utiliser un laser et l’apprentissage automatique pour mesurer la distribution de la taille des particules, ce qui permet d’accroître l’efficacité, de réduire les lots défectueux et de rendre le processus plus durable et plus rentable.
Une équipe de recherche collaborative du programme MIT-Takeda a combiné la physique et l’apprentissage automatique pour caractériser les surfaces rugueuses des particules dans les pilules et les poudres pharmaceutiques.
Une équipe d’ingénieurs et de chercheurs du MIT et de Takeda utilise la physique et l’apprentissage automatique pour mettre au point des processus de fabrication améliorés pour les pilules et les poudres pharmaceutiques. L’objectif est d’accroître l’efficacité et la précision, afin de réduire le nombre de lots de produits défectueux.
Lorsque les entreprises médicales fabriquent les pilules et les comprimés qui traitent un grand nombre de maladies, de maux et de douleurs, elles doivent isoler l’ingrédient pharmaceutique actif d’une suspension et le sécher. Ce processus nécessite un opérateur humain qui surveille un séchoir industriel, agite la matière et veille à ce que le composé prenne les bonnes qualités pour être comprimé en médicament. Le travail dépend fortement des observations de l’opérateur.
Les méthodes permettant de rendre ce processus moins subjectif et beaucoup plus efficace font l’objet d’un récent article de Nature Communications rédigé par des chercheurs du MIT et de Takeda. Les auteurs de l’article conçoivent un moyen d’utiliser la physique et l’apprentissage automatique pour catégoriser les surfaces rugueuses qui caractérisent les particules dans un mélange. La technique, qui utilise un estimateur basé sur l’autocorrélation amélioré par la physique (PEACE), pourrait modifier les processus de fabrication pharmaceutique pour les pilules et les poudres, en augmentant l’efficacité et la précision et en réduisant le nombre de lots de produits pharmaceutiques qui échouent.
« Les lots défectueux ou les étapes défectueuses du processus pharmaceutique sont très graves », déclare Allan Myerson, professeur de pratique au département de génie chimique du MIT et l’un des auteurs de l’étude. « Tout ce qui permet d’améliorer la fiabilité de la fabrication des produits pharmaceutiques, de réduire les délais et d’améliorer la conformité est important.
Mesure en temps réel de la distribution de la taille des particules d’une poudre pharmaceutique à l’aide de l’imagerie laser speckle et de l’apprentissage automatique. Crédit : Images reproduites avec l’aimable autorisation des chercheurs
Les travaux de l’équipe s’inscrivent dans le cadre d’une collaboration en cours entre Takeda et le MIT, lancée en 2020. Le programme MIT-Takeda vise à tirer parti de l’expérience du MIT et de Takeda pour résoudre des problèmes à l’intersection de la médecine, de l’intelligence artificielle et des soins de santé.
Dans la fabrication de produits pharmaceutiques, pour déterminer si un composé est correctement mélangé et séché, il faut généralement arrêter un séchoir de taille industrielle et retirer des échantillons de la chaîne de fabrication pour les tester. Les chercheurs de Takeda ont pensé que l’intelligence artificielle pourrait améliorer cette tâche et réduire les arrêts qui ralentissent la production. À l’origine, l’équipe de recherche prévoyait d’utiliser des vidéos pour former un modèle informatique destiné à remplacer un opérateur humain. Mais le choix des vidéos à utiliser pour former le modèle s’est avéré trop subjectif. L’équipe MIT-Takeda a donc décidé d’éclairer les particules à l’aide d’un laser pendant la filtration et le séchage, et de mesurer la distribution de la taille des particules à l’aide de la physique et de l’apprentissage automatique.
« Nous éclairons simplement cette surface de séchage avec un rayon laser et nous observons », explique Qihang Zhang, doctorant au département de génie électrique et d’informatique du MIT et premier auteur de l’étude.
Une équation dérivée de la physique décrit l’interaction entre le laser et le mélange, tandis que l’apprentissage automatique caractérise la taille des particules. Selon George Barbastathis, professeur de génie mécanique au MIT et auteur correspondant de l’étude, le processus ne nécessite pas d’arrêt et de démarrage, ce qui signifie que l’ensemble du travail est plus sûr et plus efficace que la procédure d’exploitation standard.
L’algorithme d’apprentissage automatique n’a pas non plus besoin de beaucoup d’ensembles de données pour apprendre son travail, car la physique permet un entraînement rapide du réseau neuronal.
« Nous utilisons la physique pour compenser le manque de données d’entraînement, de sorte que nous pouvons entraîner le réseau neuronal de manière efficace », explique Zhang. « Seule une petite quantité de données expérimentales suffit pour obtenir un bon résultat.
Aujourd’hui, les seuls procédés en ligne utilisés pour mesurer les particules dans l’industrie pharmaceutique concernent les produits en suspension, où les cristaux flottent dans un liquide. Il n’existe pas de méthode pour mesurer les particules à l’intérieur d’une poudre pendant le mélange. Les poudres peuvent être fabriquées à partir de boues, mais lorsqu’un liquide est filtré et séché, sa composition change, ce qui nécessite de nouvelles mesures. En plus de rendre le processus plus rapide et plus efficace, l’utilisation du mécanisme PEACE rend le travail plus sûr car il nécessite moins de manipulation de matériaux potentiellement très puissants, affirment les auteurs.
Les ramifications pour la fabrication de produits pharmaceutiques pourraient être importantes, permettant à la production de médicaments d’être plus efficace, durable et rentable, en réduisant le nombre d’expériences que les entreprises doivent mener lors de la fabrication des produits. Selon Charles Papageorgiou, directeur du groupe de développement de la chimie des procédés de Takeda et l’un des auteurs de l’étude, le contrôle des caractéristiques d’un mélange de séchage est un problème auquel l’industrie est confrontée depuis longtemps.
« C’est un problème que beaucoup de gens essaient de résoudre, et il n’y a pas de bon capteur sur le marché », déclare Papageorgiou. « Je pense qu’il s’agit d’un grand pas en avant en ce qui concerne la possibilité de surveiller, en temps réel, la distribution de la taille des particules.
Selon M. Papageorgiou, le mécanisme pourrait avoir des applications dans d’autres opérations pharmaceutiques industrielles. À un moment donné, la technologie laser pourrait être en mesure d’entraîner l’imagerie vidéo, ce qui permettrait aux fabricants d’utiliser une caméra pour l’analyse plutôt que des mesures au laser. La société travaille actuellement à l’évaluation de l’outil sur différents composés dans son laboratoire.
Les résultats sont directement issus de la collaboration entre Takeda et trois départements du MIT : Génie mécanique, Génie chimique et Génie électrique et informatique. Au cours des trois dernières années, des chercheurs du MIT et de Takeda ont travaillé ensemble sur 19 projets axés sur l’application de l’apprentissage automatique et de l’intelligence artificielle à des problèmes liés aux soins de santé et à l’industrie médicale dans le cadre du programme MIT-Takeda.
Il faut souvent des années pour que la recherche universitaire se traduise par des processus industriels. Mais les chercheurs espèrent qu’une collaboration directe permettra de raccourcir ce délai. Takeda se trouve à quelques pas du campus du MIT, ce qui a permis aux chercheurs d’effectuer des tests dans le laboratoire de l’entreprise, et le retour d’information en temps réel de Takeda a aidé les chercheurs du MIT à structurer leur recherche en fonction de l’équipement et des opérations de l’entreprise.
En combinant l’expertise et la mission des deux entités, les chercheurs s’assurent que les résultats de leurs expériences auront des répercussions dans le monde réel. L’équipe a déjà déposé deux brevets et prévoit d’en déposer un troisième.
Référence : « Extracting particle size distribution from laser speckle with a physics-enhanced autocorrelation-based estimator (PEACE) » par Qihang Zhang, Janaka C. Gamekkanda, Ajinkya Pandit, Wenlong Tang, Charles Papageorgiou, Chris Mitchell, Yihui Yang, Michael Schwaerzler, Tolutola Oyetunde, Richard D. Braatz, Allan S. Myerson et George Barbastathis, 1er mars 2023, Nature Communications.
DOI: 10.1038/s41467-023-36816-2