Les chercheurs du programme MIT-Takeda ont développé 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 un apprentissage automatique pour mesurer la distribution granulométrique, augmenter l’efficacité, réduire les lots échoués et rendre le processus plus durable et plus rentable.
Une équipe de recherche collaborative du
” data-gt-translate-attributes=”[{” attribute=””>MIT-Takeda Program combined physics and
When medical companies manufacture the pills and tablets that treat any number of illnesses, aches, and pains, they need to isolate the active pharmaceutical ingredient from a suspension and dry it. The process requires a human operator to monitor an industrial dryer, agitate the material, and watch for the compound to take on the right qualities for compressing into medicine. The job depends heavily on the operator’s observations.
Methods for making that process less subjective and a lot more efficient are the subject of a recent
Real-time measurement of particle size distribution of a pharmaceutical powder using laser speckle imaging and machine learning. Credit: Images courtesy of the researchers
The team’s work is part of an ongoing collaboration between Takeda and MIT, launched in 2020. The MIT-Takeda Program aims to leverage the experience of both MIT and Takeda to solve problems at the intersection of medicine, artificial intelligence, and health care.
In pharmaceutical manufacturing, determining whether a compound is adequately mixed and dried ordinarily requires stopping an industrial-sized dryer and taking samples off the manufacturing line for testing. Researchers at Takeda thought artificial intelligence could improve the task and reduce stoppages that slow down production. Originally the research team planned to use videos to train a computer model to replace a human operator. But determining which videos to use to train the model still proved too subjective. Instead, the MIT-Takeda team decided to illuminate particles with a laser during filtration and drying, and measure particle size distribution using physics and machine learning.
“We just shine a laser beam on top of this drying surface and observe,” says Qihang Zhang, a doctoral student in MIT’s Department of Electrical Engineering and Computer Science and the study’s first author.
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. Le processus ne nécessite pas d’arrêter et de démarrer le processus, ce qui signifie que l’ensemble du travail est plus sûr et plus efficace que la procédure d’exploitation standard, selon George Barbastathis, professeur de génie mécanique au MIT et auteur correspondant de l’étude.
L’algorithme d’apprentissage automatique ne nécessite pas non plus de nombreux ensembles de données pour apprendre son travail, car la physique permet une formation rapide du réseau neuronal.
“Nous utilisons la physique pour compenser le manque de données d’entraînement, afin de pouvoir entraîner le réseau neuronal de manière efficace”, explique Zhang. “Seule une infime quantité de données expérimentales suffit pour obtenir un bon résultat.”
Aujourd’hui, les seuls procédés en ligne utilisés pour les mesures de particules dans l’industrie pharmaceutique concernent les produits en suspension, où les cristaux flottent dans un liquide. Il n’existe aucune méthode pour mesurer les particules dans 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, nécessitant 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, selon les auteurs.
Les ramifications pour la fabrication pharmaceutique 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 de produits. Selon Charles Papageorgiou, directeur du groupe Process Chemistry Development de Takeda et l’un des auteurs de l’étude, la surveillance des caractéristiques d’un mélange de séchage est un problème avec lequel l’industrie se débat depuis longtemps.
“C’est un problème que beaucoup de gens essaient de résoudre, et il n’y a pas de bon capteur là-bas”, déclare Papageorgiou. “C’est un changement assez important, je pense, en ce qui concerne la capacité de surveiller, en temps réel, la distribution de la taille des particules.”
Papageorgiou a déclaré que le mécanisme pourrait avoir des applications dans d’autres opérations pharmaceutiques industrielles. À un moment donné, la technologie laser peut être en mesure de former l’imagerie vidéo, permettant aux fabricants d’utiliser une caméra pour l’analyse plutôt que des mesures laser. La société travaille actuellement à évaluer l’outil sur différents composés dans son laboratoire.
Les résultats proviennent directement 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 aux problèmes de l’industrie médicale et de la santé dans le cadre du programme MIT-Takeda.
Il faut souvent des années pour que la recherche universitaire se traduise en processus industriels. Mais les chercheurs espèrent que la collaboration directe pourrait raccourcir ce délai. Takeda est à distance de marche du campus du MIT, ce qui a permis aux chercheurs de mettre en place des tests dans le laboratoire de l’entreprise, et les commentaires en temps réel de Takeda ont aidé les chercheurs du MIT à structurer leurs recherches en fonction de l’équipement et des opérations de l’entreprise.
La combinaison de l’expertise et de la mission des deux entités aide les chercheurs à s’assurer que leurs résultats expérimentaux auront des implications dans le monde réel. L’équipe a déjà déposé deux brevets et prévoit d’en déposer un troisième.
Référence : “Extraire la distribution de la taille des particules du chatoiement laser avec un estimateur basé sur l’autocorrélation amélioré par la physique (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, Communication Nature.
DOI : 10.1038/s41467-023-36816-2
2023-07-12 00:27:23
1689113874
#duo #laser #MIT #bouleverse #notre #façon #fabriquer #des #médicaments
