Pharmaceutical Technology Ed. 187

18 Pharmaceutical Techno logy Edición Sudamérica 2024 - N º187 amorfas. Las soluciones menos comunes incluyen el uso de coformadores y la ge- neración de cocristales o complejos. Una de las razones por las que estos últimos tres métodos se emplean con menos fre- cuencia es lamayor dificultad asociada con encontrar la molécula adecuada para un API determinado. A menudo se requiere una evaluación de selección exhaustiva. Por esta razón, las capacidades de mode- lado predictivo podrían potencialmente acelerar el desarrollo de coformadores, cocristales y complejos. Amplio espacio de combinación química Los coformadores, cocristales y complejos de API tienen el potencial de mejorar la biodisponibilidad cuando se desarrollan cuidadosamente, pero existen varias di- ficultades cuando se usan los enfoques tradicionales, según Jo Varshney, funda- dora y directora ejecutiva de VeriSIM Life. “La exploración del espacio de combi- naciones químicas, dada su inmensidad, no es práctica”, afirma Varshney. En este sentido, señala que la biodisponibilidad puede cambiar de manera no lineal con diferentes proporciones de los mismos dos coformadores, o dos moléculas muy similares pueden conducir a un cambio sustancial en la biodisponibilidad del API. La termodinámica de la estabilidad de la combinación también puede ser una fun- ción no lineal y/o no monótona de la pro- porción de los dos compuestos, observa Varshney. “Los enfoques tradicionales sólo pueden investigar explícitamente combi- naciones discretas y, por eso, optimizar la estabilidad de la formulación usando conocimientos tan escasos a menudo re- sulta inexacto”, afirma. Avances computacionales La clave para posibilitar un uso ampliado del modelado predictivo en el desarrollo de formulaciones especializadas destina- das a aumentar lamejora de la solubilidad radica en los avances que se están logran- do en los campos de la inteligencia artifi - cial (IA), el aprendizaje automático (ML) y varios otros métodos computacionales. Actualmente se están aplicando numero- sas tecnologías en todos los aspectos del descubrimiento y desarrollo de fármacos, que incluyen la formulación de API con escasa solubilidad y biodisponibilidad. Según Varshney, para el diseño y se- lección de coformadores, cocristales y agentes complejantes en particular, el uso de algoritmos avanzados de redes neuro- nales, métodos basados en conjuntos y modelos basados en el conocimiento está haciendo que el modelado predictivo sea más relevante. Éstos permiten una interpolación más precisa entre los datos experimentales disponibles. “Esta interpolación puede ser para diferentes proporciones de combina- ciones o incluso para diferentes tipos de combinaciones”, señala Varshney. Además, la inclusión de modelos basa- dos en el conocimiento en el marco de la modelización predictiva está marcando impacto. “Cuando los modelos basados en IA se combinan con modelos basados en el conocimiento, se pueden generar predicciones más sólidas incluso en es-