Die 2026 in Nature Communications vorab veröffentlichte, begutachtete Studie stellt mit E-MAF ein Experten nachahmendes KI-Framework vor, das die Entwicklung polymerer Systeme zur kontrollierten Wirkstofffreisetzung beschleunigen soll. E-MAF kombiniert ein prozessbewusstes Surrogatmodell mit einem optimierten genetischen Algorithmus und ahmt dabei die fachliche Entscheidungsfindung nach, die von einer groben Bewertung zu einem detaillierten Entwurf fortschreitet. So erzeugt das Framework im Labor umsetzbare Formulierungen, die den angestrebten Freisetzungsprofilen entsprechen.
Die Forschenden berichteten, dass das System den üblicherweise 6-12 Monate dauernden Entwicklungszyklus auf etwa 1 Stunde verkürzte. In Studien mit 7 pharmazeutischen Wirkstoffen entsprachen die In-vitro-Freisetzung, die In-vivo-Pharmakokinetik und die therapeutischen Wirkungen kommerziellen Vergleichswerten oder übertrafen diese. E-MAF ermöglichte zudem Profile, die mit herkömmlichen Methoden nur schwer zu erzielen sind: Während die schlagartige Freisetzung von Risperidon innerhalb von 1 h auf ≤2 % begrenzt wurde, erfolgte die In-vivo-Freisetzung etwa 28 Tage lang mit einer konstanten Rate nahe null. Die Ergebnisse weisen darauf hin, dass der Ansatz das Potenzial hat, die Überführung kontrollierter Freisetzungssysteme und Technologien zur Arzneimittelverabreichung in die klinische Anwendung und industrielle Produktion zu beschleunigen.
Als gleichberechtigt beitragende Autoren der Studie wurden Ying Qin, Rushuang Zhou, Yali Ming und Bohao Li genannt; für die Korrespondenz sind Yuedong Yang, Yining Dong oder Yufei Xia verantwortlich. An der Forschung waren Teams mit Verbindungen zur City University of Hong Kong, Chinese Academy of Sciences, University of Chinese Academy of Sciences, Sun Yat-sen University und Huili Pharmaceutical Co., Ltd. beteiligt. Berichten zufolge stellten die Huili-Mitarbeiter Y.H. und H.W. unternehmenseigene Formulierungs- und Prozessdaten bereit. Für E-MAF und seine Anwendungen wurde eine Patentanmeldung eingereicht; Y.Q., R.Z. und Y.D. wurden als Erfinder aufgeführt. Die übrigen Autoren gaben keine Interessenkonflikte an.
Bei der Erstellung des Artikels wurden ChatGPT und DeepSeek unter Aufsicht der Autoren ausschließlich zur sprachlichen Verbesserung eingesetzt. Die Studie wurde durch verschiedene chinesische Forschungsprogramme und Fonds gefördert. Der Artikel wurde unter der Lizenz CC BY-NC-ND 4.0 veröffentlicht; als DOI wurde https://doi.org/10.1038/s41467-026-77619-5 angegeben.
Warum das wichtig ist
Dieser Ansatz verkürzt bei Formulierungen mit kontrollierter Freisetzung den Arbeitsablauf zwischen der Auswahl von Kandidaten und der detaillierten Ausgestaltung und ermöglicht es Arzneimittelentwicklungsteams dadurch, früher zu bestimmen, auf welche Optionen sie ihre Laborressourcen verwenden sollen. Der Vergleich der In-vitro-, In-vivo- und therapeutischen Ergebnisse mit kommerziellen Vergleichswerten sorgt dafür, dass die Ergebnisse nicht nur eine Behauptung zur Rechenleistung bleiben; die Bewertung ist jedoch auf sieben pharmazeutische Wirkstoffe beschränkt. Daher bleibt offen, ob sich derselbe Erfolg bei unterschiedlichen Verbindungen, Produktionsbedingungen und klinischen Anwendungen wiederholen lässt. Die Bereitstellung unternehmenseigener Formulierungs- und Prozessdaten sowie die Patentanmeldung verdeutlichen zwar die Verbindung zur Industrie, halten aber zugleich die Fragen auf der Tagesordnung, in welchem Umfang die Methode von unabhängigen Teams reproduziert werden kann und zugänglich sein wird.