赛默飞世尔科技公司的Sanjay Konagurthu讨论了人工智能和机器学习如何帮助解决溶解度不佳的难题。
在2025年11月9日至12日于德克萨斯州圣安东尼奥举行的AAPS PharmSci 360会议上，《制药技术》®集团采访了赛默飞世尔科技公司科学与创新高级总监、拥有博士学位的Sanjay Konagurthu，讨论了题为"人工智能/机器学习模型支持的早期药物开发"的会议演讲。
在此次采访（两部分系列的第一部分）中，Konagurthu博士探讨了使用人工智能(AI)和机器学习(ML)进行预测建模的潜力。
Konagurthu表示："最大的优势是为行业和客户节省时间和成本以及资源。时间就是金钱，我们所提供的正是降低产品开发风险、节省时间和资源、减少原料药消耗。这是一种超材料节约的方法，通过利用AI等计算机模拟建模工具，以及利用AI/ML支持产品开发和制剂开发。"
人工智能/机器学习如何改善早期药物开发？
Konagurthu特别指出，人工智能/机器学习可以帮助筛选药物候选物，过去几十年中，溶解度不佳的候选药物比例已从30%上升至高达90%。
他表示："这是一个充满挑战的环境，将溶解度不佳的新化学实体(NCE)转化为商业产品的成功率相当低，远低于10%，可能更接近5%。因此，通过利用我们开发的这些人工智能/机器学习工具，我们旨在并努力降低产品开发风险。"
敬请关注《制药技术》集团对Konagurthu的第二部分采访，他将进一步深入探讨分子动力学模拟和量子力学计算作为超越简单筛选的工具。
采访实录
编辑说明：本实录是原始音视频内容的轻微编辑版本。可能包含错误、非正式语言或原始录音中的遗漏。
大家好，我是Sanjay Konagurthu。我是赛默飞世尔科技公司科学与创新高级总监。我在行业工作已有27年。
我的背景是化学工程博士。我的经验广泛涉及小分子口服药物递送领域，如溶解度、生物增强、喷雾干燥、热熔挤出、纳米技术，以及改良控制释放、复杂剂型等，涵盖从早期开发到商业化。
我还在赛默飞世尔科技领导一个预测建模和模拟团队。我们是一个全球团队。我们负责药物产品开发的预测建模和模拟。
这是个很好的问题。我喜欢告诉人们，当我20多年前刚开始在这个行业工作时，溶解度不佳的候选药物估计占30%左右。现在，根据人们引用的来源，70%至90%的分子溶解度不佳，所以这个比例已经翻倍，甚至三倍。
这是一个充满挑战的环境，将溶解度不佳的新化学实体转化为商业产品的成功率相当低。远低于10%，可能更接近5%。因此，通过利用我们开发的这些人工智能/机器学习工具，我们旨在并努力降低产品开发风险。
我们可以通过利用这些计算机模拟人工智能/机器学习工具来选择技术，从而加速早期阶段。对于任何给定的分子，什么技术最有效？这完全取决于分子类型。每个分子都是独特的。
在制剂选择方面也是如此，例如，我们处理像protacs这样的复杂模式，它们处于光谱的较大端，以及传统的小分子。所有这些分子通常都违反Lipinski的五规则。所以它们实际上是"砖尘"、"油球"类型的分子。通过利用这些人工智能/机器学习工具我们再次强调，降低产品开发风险，更快达到里程碑，并缩短时间线等。
最大的优势是为行业和客户节省时间和成本以及资源。时间就是金钱，我们所提供的正是降低产品开发风险、节省时间和资源、减少原料药消耗。这是一种超材料节约的方法，通过利用AI等计算机模拟建模工具，以及利用人工智能/机器学习支持产品开发和制剂开发。
正如我所提到的，每个原料药(API)都是独特的。因此，结构特征非常重要，显然包括化学结构，以及熔点等基本属性，这些属性与晶格有关，[分子的]能量很重要。其他属性如pKa、LogP、LogD，所有这些都很重要。
此外，渗透性等因素也很重要。因此，我们通常尝试获取在体外测定中测量的数据，如KCO2或MDCK，并利用这些数据来预测人体内发生的情况。这些都是我们在这些计算中需要考虑的一些重要特征。
【全文结束】
