A inteligência artificial (IA) tornou-se uma das principais apostas da indústria farmacêutica para enfrentar desafios de pesquisa e desenvolvimento. A promessa é de decisões mais rápidas, previsões mais precisas e redução dos prazos de desenvolvimento. No entanto, quando o assunto é o desenvolvimento de medicamentos biológicos administrados por via subcutânea, existe um fator ainda mais fundamental: a qualidade e a relevância dos dados utilizados para gerar essas previsões.
À medida que mais empresas adaptam medicamentos biológicos originalmente desenvolvidos para administração intravenosa (IV) para formulações subcutâneas (SC), ou desenvolvem novas terapias especificamente para essa via, surge um desafio importante: a mudança da via de administração altera significativamente o comportamento do medicamento no organismo.
Enquanto uma terapia intravenosa chega diretamente à corrente sanguínea, uma injeção subcutânea percorre um caminho muito mais complexo antes de alcançar a circulação sistêmica. O medicamento precisa se dispersar pelo tecido, interagir com o ambiente local e atravessar diferentes barreiras até alcançar os sistemas vascular ou linfático.
Nesse contexto, gerar dados capazes de representar esses mecanismos é essencial para reduzir incertezas e tomar decisões mais assertivas durante o desenvolvimento farmacêutico.
Por que o desenvolvimento de medicamentos subcutâneos é tão complexo?
Após a administração por via subcutânea, um medicamento biológico não chega imediatamente à circulação sistêmica. Antes disso, precisa atravessar uma série de etapas que podem influenciar diretamente sua absorção.
Entre os fatores que podem afetar esse processo estão:
- Concentração da formulação;
- Viscosidade;
- Volume de injeção;
- Cinética de liberação;
- Precipitação;
- Difusão pelo tecido;
- Interações com o ambiente subcutâneo.
A combinação desses fatores determina quanto do medicamento estará efetivamente disponível para alcançar a circulação e produzir o efeito terapêutico esperado.
O problema é que muitas decisões importantes relacionadas à formulação ainda são tomadas com informações limitadas sobre o comportamento do medicamento no ambiente subcutâneo humano.
Essa incerteza pode representar custos significativos para os programas de desenvolvimento.
O custo de tomar decisões com dados insuficientes
As equipes de desenvolvimento podem passar anos otimizando formulações, escalando processos de fabricação e avançando candidatos pelas diferentes etapas de pesquisa antes que os dados de biodisponibilidade em humanos revelem que determinada formulação não apresenta o desempenho esperado.
Quando isso acontece, investimentos significativos de tempo e recursos já foram realizados.
Modelos animais podem fornecer informações importantes durante as etapas pré-clínicas, mas não conseguem reproduzir completamente a complexidade da absorção subcutânea humana.
Os estudos clínicos, por sua vez, continuam sendo fundamentais para avaliar o desempenho dos medicamentos em seres humanos, mas acontecem mais tarde no processo de desenvolvimento, quando muitas das decisões mais importantes relacionadas à formulação já foram tomadas.
Por isso, existe uma necessidade crescente de métodos capazes de gerar informações mais preditivas ainda nas fases iniciais do desenvolvimento.
IA sozinha não resolve o problema
Nesse cenário, a inteligência artificial pode parecer uma solução natural.
Modelos de aprendizado de máquina são capazes de analisar grandes volumes de dados e identificar padrões que podem ser difíceis de reconhecer por métodos tradicionais. Entretanto, existe uma condição fundamental para que esses modelos produzam previsões confiáveis: a qualidade dos dados utilizados para treiná-los.
Se os dados experimentais não representam adequadamente os mecanismos biológicos responsáveis pela absorção subcutânea, mesmo os modelos computacionais mais sofisticados terão limitações para prever o desempenho clínico de uma formulação.
Em outras palavras, não basta utilizar algoritmos mais avançados. É necessário gerar dados biologicamente relevantes para que esses algoritmos possam aprender com informações que realmente representem o fenômeno estudado.
A importância dos modelos in vitro fisiologicamente relevantes
Uma das estratégias para melhorar a capacidade preditiva do desenvolvimento farmacêutico é utilizar modelos in vitro capazes de reproduzir aspectos importantes do ambiente subcutâneo.
Esses sistemas permitem investigar, ainda antes dos estudos pré-clínicos e clínicos, diferentes mecanismos relacionados ao comportamento das formulações.
Entre os parâmetros que podem ser avaliados estão:
- Cinética de liberação;
- Difusão;
- Precipitação;
- Comportamento da formulação após a administração;
- Outros mecanismos relacionados ao desempenho subcutâneo.
Ao gerar essas informações de forma controlada, os pesquisadores conseguem compreender melhor por que uma formulação apresenta desempenho superior a outra, além de identificar possíveis limitações antes que os candidatos avancem para etapas mais caras do desenvolvimento.
Ciência mecanística e inteligência artificial podem trabalhar juntas
A utilização de modelos in vitro e de inteligência artificial não precisa ser encarada como uma escolha entre duas abordagens.
Na realidade, elas podem ser complementares.
A ciência mecanística permite compreender o que está acontecendo durante o comportamento da formulação, fornecendo informações sobre os processos que determinam sua liberação, difusão e absorção.
A inteligência artificial, por outro lado, pode analisar grandes conjuntos de dados e identificar padrões entre diferentes variáveis que seriam difíceis de reconhecer individualmente.
Quando essas abordagens são combinadas, os pesquisadores podem construir uma estratégia mais robusta para prever o desempenho das formulações.
O objetivo não é eliminar completamente a incerteza, já que os sistemas biológicos são extremamente complexos. A proposta é reduzir as surpresas que poderiam ser identificadas antecipadamente por meio de dados mais representativos.
Mais dados relevantes, decisões mais assertivas
A geração de dados biologicamente relevantes pode trazer benefícios importantes para o desenvolvimento de medicamentos subcutâneos.
Ao identificar uma formulação com baixo potencial de desempenho antes das etapas pré-clínicas ou clínicas, por exemplo, as equipes podem evitar investimentos adicionais em um candidato que apresenta maior risco de insucesso.
Essa abordagem permite:
- Identificar problemas de formulação mais cedo;
- Comparar diferentes candidatos de forma mais eficiente;
- Reduzir riscos nas etapas posteriores do desenvolvimento;
- Otimizar a seleção de formulações;
- Gerar conjuntos de dados mais adequados para modelos preditivos;
- Apoiar decisões mais assertivas durante a pesquisa e desenvolvimento.
Assim, o ganho não está apenas na velocidade dos processos, mas principalmente na qualidade das decisões tomadas ao longo do desenvolvimento.
O papel dos dados no futuro do desenvolvimento subcutâneo
À medida que os medicamentos biológicos administrados por via subcutânea ganham espaço, aumenta também a necessidade de compreender de forma mais precisa o que acontece após a aplicação.
Nesse cenário, a vantagem competitiva não estará necessariamente em utilizar o modelo de inteligência artificial mais avançado, mas em possuir dados de alta qualidade e relevância biológica que permitam alimentar esses modelos de maneira adequada.
A combinação entre experimentação mecanística, modelos in vitro fisiologicamente relevantes e ferramentas computacionais pode criar uma abordagem mais preditiva para o desenvolvimento de formulações subcutâneas.
Essa estratégia permite gerar informações importantes antes dos estudos clínicos, contribuindo para reduzir riscos, otimizar candidatos e utilizar melhor os recursos envolvidos no desenvolvimento farmacêutico.
Como a Flowscience pode apoiar seus projetos
O desenvolvimento de medicamentos subcutâneos exige ferramentas capazes de fornecer informações mais representativas sobre o comportamento das formulações antes que elas avancem para etapas mais complexas e dispendiosas.
Como representante da Píon no Brasil, a Flowscience oferece soluções voltadas à pesquisa e ao desenvolvimento farmacêutico, incluindo tecnologias para estudos de dissolução, permeabilidade, absorção e avaliação de formulações administradas por via subcutânea.
Essas ferramentas podem apoiar universidades, centros de pesquisa e indústrias farmacêuticas na geração de dados mais relevantes para a compreensão do comportamento de medicamentos e na tomada de decisões durante o desenvolvimento de novas terapias.
Se deseja conhecer as tecnologias da Píon e entender como elas podem contribuir para seus projetos de pesquisa e desenvolvimento, entre em contato com a equipe da Flowscience.
Fonte: Artigo original da Píon – AI Won’t Save Subcutaneous Drug Development. Better Data Will., de Dan Klevisha.
Artigo original: https://www.pion-inc.com/blog/ai-wont-save-subcutaneous-drug-development-better-data-will
