L’étude évaluée par les pairs, publiée en accès anticipé en 2026 dans Nature Communications, présente un cadre d’intelligence artificielle imitant les experts, baptisé E-MAF, afin d’accélérer le développement de systèmes polymériques de libération contrôlée. En combinant un modèle de substitution sensible aux processus et un algorithme génétique optimisé, E-MAF reproduit le raisonnement des experts, qui progresse d’une évaluation sommaire à une conception détaillée, pour produire des formulations réalisables en laboratoire et adaptées aux profils de libération ciblés.
Les chercheurs ont indiqué que le système réduisait à environ 1 heure le cycle de conception, qui dure normalement 6 à 12 mois. Des études menées sur 7 principes actifs pharmaceutiques ont montré que la libération in vitro, la pharmacocinétique in vivo et les effets thérapeutiques égalaient ou dépassaient les références commerciales. E-MAF a également permis d’obtenir des profils difficiles à atteindre avec les méthodes traditionnelles : la libération immédiate de la rispéridone en 1 h a été maintenue à ≤ 2 %, tandis qu’une libération à un taux constant proche de zéro a été obtenue in vivo pendant environ 28 jours. Les résultats indiquent que cette approche pourrait accélérer le transfert des systèmes de libération contrôlée et des technologies d’administration de médicaments vers les applications cliniques et l’industrialisation.
Les auteurs ayant contribué à parts égales à l’étude sont Ying Qin, Rushuang Zhou, Yali Ming et Bohao Li ; Yuedong Yang, Yining Dong ou Yufei Xia sont responsables de la correspondance. Des équipes affiliées à City University of Hong Kong, Chinese Academy of Sciences, University of Chinese Academy of Sciences, Sun Yat-sen University et Huili Pharmaceutical Co., Ltd. ont participé à la recherche. Il a été indiqué que Y.H. et H.W., employés de Huili, avaient fourni les données exclusives de l’entreprise sur les formulations et les procédés. Une demande de brevet portant sur E-MAF et ses applications a été déposée ; Y.Q., R.Z. et Y.D. y sont désignés comme inventeurs. Les autres auteurs n’ont déclaré aucun conflit d’intérêts.
Lors de la préparation de l’article, ChatGPT et DeepSeek ont été utilisés sous la supervision des auteurs, uniquement à des fins d’amélioration linguistique. L’étude a bénéficié du soutien de plusieurs programmes et fonds de recherche chinois. L’article a été publié sous licence CC BY-NC-ND 4.0 et son DOI est https://doi.org/10.1038/s41467-026-77619-5.
Pourquoi est-ce important ?
Cette approche raccourcit le flux de travail entre l’élimination des candidats et la conception détaillée des formulations à libération contrôlée, permettant ainsi aux équipes de développement de médicaments de déterminer plus tôt à quelles options affecter leurs ressources de laboratoire. La comparaison des résultats in vitro, in vivo et thérapeutiques avec des références commerciales permet aux conclusions de ne pas se limiter à une simple revendication de performance computationnelle ; l’évaluation reste toutefois limitée à sept principes actifs pharmaceutiques. Il reste donc à déterminer si le même niveau de réussite pourra être reproduit avec différents composés, dans différentes conditions de production et dans différentes applications cliniques. Si la fourniture par l’entreprise de données exclusives sur les formulations et les procédés, ainsi que la demande de brevet, mettent en évidence le lien avec l’industrie, elles maintiennent également au premier plan les questions relatives à la mesure dans laquelle la méthode pourra être reproduite par des équipes indépendantes et restera accessible.