摘要：随着计算材料科学和工艺模拟的进步，计算应用正在成为药物开发和生产流程的重要组成部分。这些方法可以在药物工艺开发任务中的复杂多维空间里提供更便捷的导航。通过计算与实验相结合的方法，可以降低药物开发的风险并显著节省时间和成本。计算化学和数据科学都是最流行的计算方法
转自：博腾股份Porton
介绍
随着计算材料科学和工艺模拟的进步，计算应用正在成为药物开发和生产流程的重要组成部分。这些方法可以在药物工艺开发任务中的复杂多维空间里提供更便捷的导航。通过计算与实验相结合的方法，可以降低药物开发的风险并显著节省时间和成本。计算化学和数据科学都是最流行的计算方法，如本文所阐述的，旨在为药物开发工作流程提供合理的指导。通过它们的使用来优选最有希望的解决方案，降低实验工作的风险，以进行有针对性的实验跟进。
计算能力
在博腾，通过使用各种计算方法，从分子力学到量子化学和数据科学，来研究多种体系，从小分子到复杂新药模式，涉及气相、液相和固相。选择方法时需要在预测精度和应用计算可行性之间权衡，也要考虑用于挖掘和分析的历史数据量以及可能会发挥作用的人工智能/机器学习（AI/ML）模型构建。
计算应用
通过分子模拟和数据科学来提供计算与实验相结合的项目支持可以分为四类：虚拟（计算）筛选、性质表征与优化计算、化学反应和反应性预测、以及基于 AI/ML 的 DoE 计算。所有应用均已在多个内部和外部项目中验证。
虚拟（计算）筛选
虚拟筛选是一种计算技术，用于对化合物数据库（例如溶剂、共晶形成剂、对离子或辅料）进行排序，以识别特定任务中最有前景的解决方案。推荐最有利的化合物子集以供目标实验跟进。
对于结晶做溶剂和共晶体形成剂/对离子的虚拟筛选时，仅需要活性药物成分（API）的分子结构作为输入，来筛选62种二类和三类溶剂，以及超过100种共晶体形成剂和对离子。溶剂和共晶体形成剂虚拟筛选的平均表现估计在1.0满分中高于0.85。对离子的虚拟筛选准确性略低一些。用于杂质去除的最佳溶剂体系选择的平均表现高于0.85。
表1 虚拟筛选方法
方法任务输入输出用于药物结晶的虚拟溶剂筛选溶解度和溶剂化倾向预测；用于盐/共晶全等结晶的溶剂选择API分子结构大约25个最有前景的溶剂系统用于共晶/成盐的虚拟共晶剂/对离子筛选共晶/盐筛选API分子结构大约25个最有前景的对离子或共晶剂用于杂质排除的虚拟溶剂和固态形式筛选用于高效排除杂质的溶剂和固态形式选择API和杂质的分子结构；API晶体结构（可选）最适合高效杂质排除的溶剂和固态形式虚拟辅料筛选辅料选择以最大化无定形API负载API分子结构几种最有有希望成功的的辅料选择特性表征与优化方法
表2提供了用于特性表征和优化的计算方法。这些方法的主要目标是在实验测量之前或代替实验测量来预测固态形式或分子的固有特性，当实验评估被一些物理现象影响（例如，极性氢导致的 X 射线散射差，从而使得利用 SCXRD 区分盐与共晶固态形式变得复杂）或测试材料不足时（例如，杂质），这种计算方法就显得尤为重要。大多数特性表征方法都包括了量子化学计算，并可以或者已用于新型形式系统的表征。
表2 性能表征和优化方法
方法任务输入输出基于盐-共晶光谱的晶型观察与表征确定固态形式是盐还是共晶X 射线晶体结构明确的盐或共晶鉴定结果晶体形态预测与优化通过溶剂虚拟筛选优化不良晶体形态（针状或片状）晶体结构各种溶剂体系下的晶体形态预测机械性能预测预测特定固态形式的可塑性和刚性晶体结构过预测杨氏模量与硬度确定塑性和刚性分子与晶体形式的分析特性预测分析特性的预测和/或解释，特别是在实验测量不适用时分子或晶体结构(ss)NMR, UV-vis, Raman, IR, ECD 或 VCD 光谱光谱数据的化学计量学分析从复杂光谱数据中提取有意义的信息复杂光谱（高光谱）数据（比如FTIR，拉曼等）规律和定性或者定量关系，集群，PCA 分析和机器学习模型化学反应与反应性预测
通过量子力学计算，可以预测目标溶剂体系中反应的热量和自由能。反应的区域选择性和立体选择性也可通过反应性计算进行研究。此外，还可进行过渡态搜索，以确定反应的活化能垒。这些计算有助于在实验前确定最有效的合成途径，深入了解反应机理，或预测化学工程计算所需的反应特性。
基于 AI/ML 的实验设计 (DoE)
一个典型的工艺设计任务是在多维参数空间 (Pj) 中完成的，需要优化一个或多个目标特性 (Tj)。传统基于统计学的 DoE 方法通常需要大量的实验测试。不过，通过使用基于 AI/ML 的 DoE 平台可以减少结晶、工艺化学、分析化学等方面的多维工艺优化需要的实验数量。该 AI/ML-DoE 平台采用贝叶斯优化方法，通过少量的初始测试（通常为五次或更多）来指导后续实验。这种方法能够快速且可靠地收敛于参数空间，仅需少次迭代就可以得到最优目标特性。
结论
本文对在制药开发过程中应用先进的分子模拟（计算化学）和数据科学技术进行了概述。尽管这些技术很大程度基于理论，它们为快节奏的研发项目提供及时的计算能力支持。计算与实验相结合的方法应用可以有效加速制药研发、增加准确性、降低风险和成本。
作者介绍
参考来源
Abramov, Y.A., Ed. Computational Pharmaceutical Solid State Chemistry, John Wiley & Sons, 2016.
Abramov, Y. A.; Sun, G.; Zeng, Q. Emerging Landscape of Computational Modeling in Pharmaceutical Development. J. Chem. Inf. Model. 2022, 62, 1160.
Abramov, Y.A.; Loschen, C.; Klamt, A. Rational Coformer or Solvent Selection for Pharmaceutical Cocrystallization or Desolvation. J. Pharm. Sci., 2012, 101, 3687.
Shah, H.S.; Michelle, C.; Xie, T.; Chaturvedi, K.; Kuang. S.; Abramov, Y.A. Computational and Experimental Screening Approaches to Aripiprazole Salt Crystallization. Pharm Res. 2023, 40, 2779.
Abramov, Y.A.; Zelellow, A.; Chen, C.-Y.; Wang,J.; Sekharan, S. Novel Computational Approach to Guide Impurities Rejection by Crystallization: A Case Study of MRTX849 Impurities. Cryst. Growth Des. 2022, 12, 6844.
Abramov, Y.A.; Wang, J. Is It Salt, Cocrystal, or Continuum? Successes and Limitations of Computationally Efficient Periodic System Calculations. Cryst. Growth Des. 2024, 24, 4017.
Lam, Y.; Abramov, Y.A.; Ananthula, R.S., et al. Applications of Quantum Chemistry in Pharmaceutical Process Development: Current State and Opportunities. Org. Process Res. Dev. 2020, 24, 1496.
博腾股份为全球药企、生物科技公司、科研机构等提供从临床前研究到药品上市全生命周期所需的小分子药物、多肽与寡核苷酸药物、蛋白与偶联药物以及细胞与基因治疗药物等一站式服务解决方案，研发、生产、运营场地覆盖中国（重庆、上海、四川、江苏、江西、湖北）、美国、斯洛文尼亚、比利时、瑞士和丹麦等地。我们致力于以客户为中心，为客户提供卓越的全球化、端到端CDMO服务，让好药更早惠及大众。
声明：本文仅作者个人观点的表达，博腾及其所属子公司均不对本文所提供信息做任何形式的保证，也不承担因使用或依赖本文信息所产生的任何直接或间接的后果。
来源：新浪财经