La investigación revisada por pares, publicada en acceso anticipado en Nature Communications en 2026, presenta un marco de inteligencia artificial de imitación de expertos denominado E-MAF, destinado a acelerar el desarrollo de sistemas poliméricos de liberación controlada. Al combinar un modelo sustituto con conocimiento del proceso y un algoritmo genético optimizado, E-MAF imita el razonamiento experto, que avanza desde una evaluación preliminar hasta un diseño detallado, y genera formulaciones viables en laboratorio que se ajustan a los perfiles de liberación deseados.
Los investigadores informaron que el sistema redujo a aproximadamente 1 hora el ciclo de diseño, que normalmente dura entre 6 y 12 meses. En estudios realizados con 7 principios farmacéuticos activos, se indicó que la liberación in vitro, la farmacocinética in vivo y los efectos terapéuticos igualaron o superaron los parámetros de referencia comerciales. E-MAF también logró perfiles difíciles de obtener con métodos tradicionales; mientras que la liberación súbita de risperidona en 1 h se mantuvo en un nivel ≤2 %, se consiguió una liberación in vivo a una velocidad constante cercana a cero durante aproximadamente 28 días. Los hallazgos apuntan al potencial del enfoque para acelerar la transferencia de los sistemas de liberación controlada y las tecnologías de administración de fármacos a la práctica clínica y a la industrialización.
Los autores que contribuyeron por igual al estudio fueron Ying Qin, Rushuang Zhou, Yali Ming y Bohao Li; Yuedong Yang, Yining Dong o Yufei Xia estuvieron a cargo de la correspondencia. En la investigación participaron equipos vinculados a City University of Hong Kong, Chinese Academy of Sciences, University of Chinese Academy of Sciences, Sun Yat-sen University y Huili Pharmaceutical Co., Ltd. Se informó que los empleados de Huili Y.H. y H.W. proporcionaron datos propios de la empresa sobre formulaciones y procesos. Se presentó una solicitud de patente relacionada con E-MAF y sus aplicaciones; Y.Q., R.Z. y Y.D. figuraron como inventores. Los demás autores no declararon conflictos de intereses.
Durante la preparación del artículo, ChatGPT y DeepSeek se utilizaron únicamente para mejorar el lenguaje, bajo la supervisión de los autores. El estudio recibió el apoyo de diversos programas y fondos de investigación de China. El artículo se publicó con la licencia CC BY-NC-ND 4.0 y su DOI se indicó como https://doi.org/10.1038/s41467-026-77619-5.
Por qué es importante
Este enfoque acorta el flujo de trabajo entre el descarte de candidatos y el diseño detallado de formulaciones de liberación controlada, lo que permite a los equipos de desarrollo de fármacos determinar antes a qué opciones destinar los recursos de laboratorio. El hecho de que los resultados in vitro, in vivo y terapéuticos se hayan comparado con parámetros de referencia comerciales hace que los hallazgos vayan más allá de una mera afirmación de rendimiento computacional; sin embargo, la evaluación se limitó a siete principios activos farmacéuticos. Por ello, sigue sin estar claro si el mismo éxito podrá reproducirse con diferentes compuestos, condiciones de producción y aplicaciones clínicas. El suministro de datos propios de la empresa sobre formulaciones y procesos, junto con la solicitud de patente, pone de manifiesto el vínculo con la industria, al tiempo que mantiene vigentes las preguntas sobre hasta qué punto el método podrá ser reproducido por equipos independientes y será accesible.