麻省理工学院和武田项目的合作研究团队将物理学和机器学习相结合，来表征药丸和粉末中的粗糙颗粒表面。

　　来自麻省理工学院和武田的工程师和研究人员团队正在利用物理学和机器学习来开发改进的药丸和粉末的制造工艺。目的是提高效率和准确性，从而减少不合格产品批次。

　　当医疗公司生产治疗多种疾病、疼痛和疼痛的药丸和片剂时，他们需要从悬浮液中分离出活性药物成分并将其干燥。该过程需要操作员监控工业干燥机，搅拌材料，并观察化合物是否具有适合压缩成药物的质量。这项工作在很大程度上取决于操作员的观察。

　　麻省理工学院和武田的研究人员最近撰写的一篇《自然通讯》论文的主题是如何减少该过程的主观性并提高效率。该论文的作者设计了一种方法，利用物理学和机器学习对表征混合物中颗粒的粗糙表面进行分类。该技术使用基于物理增强的自相关估计器（PEACE），可以改变药丸和粉末的制药工艺，提高效率和准确性，并减少失败的药品批次。

　　“制药过程中失败的批次或失败的步骤非常严重，”麻省理工学院化学工程系的实践教授、该研究的作者之一艾伦·迈尔森（Allan Myerson）说。“任何提高药品生产可靠性、减少时间和提高合规性的事情都是一件大事。”

　　物理推导的方程描述了激光和混合物之间的相互作用，而机器学习则描述了颗粒尺寸。麻省理工学院机械工程学教授、该研究的通讯作者 George Barbastathis 表示，该过程不需要停止和启动，这意味着整个工作比标准操作程序更安全、更高效。

　　机器学习算法也不需要很多数据集来学习其工作，因为物理学允许神经网络的快速训练。

　　“我们利用物理学来弥补训练数据的缺乏，这样我们就可以有效地训练神经网络，”张说。“只需少量的实验数据就足以得到好的结果。”

　　如今，制药行业中用于颗粒测量的唯一在线过程是浆料产品，其中晶体漂浮在液体中。没有方法可以测量混合过程中粉末内的颗粒。粉末可以由浆料制成，但是当液体被过滤和干燥时，其成分会发生变化，需要新的测量。作者说，除了使过程更快、更高效之外，使用 PEACE 机制还使工作更安全，因为它需要更少地处理潜在的高效材料。

　　这对药品制造的影响可能是重大的，通过减少公司在制造产品时需要进行的实验数量，使药品生产变得更加高效、可持续和具有成本效益。武田工艺化学开发小组主任、该研究的作者之一 Charles Papageorgiou 表示，监测干燥混合物的特性是该行业长期以来一直在努力解决的一个问题。

　　“这是一个很多人都在努力解决的问题，但目前还没有好的传感器，”Papageorgiou 说。“我认为，对于能够实时监测粒径分布而言，这是一个相当大的进步。”

　　Papageorgiou 表示，该机制可以应用于其他工业制药业务。在某种程度上，激光技术可能能够训练视频成像，使制造商能够使用相机进行分析而不是激光测量。该公司目前正在实验室中评估该工具对不同化合物的影响。

　　该成果直接来自武田与麻省理工学院三个系的合作：机械工程系、化学工程系、电气工程和计算机科学系。在过去三年中，作为麻省理工学院-武田计划的一部分，麻省理工学院和武田的研究人员合作开展了 19 个项目，重点是将机器学习和人工智能应用于医疗保健和医疗行业的问题。

　　通常，学术研究转化为工业流程可能需要数年时间。但研究人员希望直接合作可以缩短这一时间。武田距离麻省理工学院校园仅几步之遥，这使得研究人员可以在公司的实验室中设置测试，武田的实时反馈帮助麻省理工学院的研究人员根据公司的设备和运营构建他们的研究。

　　结合两个实体的专业知识和使命有助于研究人员确保他们的实验结果具有现实世界的影响。该团队已经申请了两项专利，并计划申请第三项专利。