Predicting drug solubility in cosolvent systems using artificial intelligence algorithms

Predicción de la solubilidad de fármacos en sistemas cosolventes mediante algoritmos de inteligencia artificial

Introduction: Solubility is one of the most important physicochemical properties in the pharmaceutical sciences and is involved in processes ranging from drug development to environmental biotoxicity assessment. Accurate prediction of solubility, especially aqueous solubility, has been a scientific challenge due to the complexity of the dissolution process, which involves lattice energies, solvation, solute ionization, and solute-solvent interactions. While various approaches have been used to predict solubility, such as semi-empirical models and group contribution methods, accurate prediction remains difficult. Statistical and machine learning approaches often use numerous descriptors, making rational interpretation and refinement of prediction models difficult. Purpose: This study proposes an approach based on autonomous learning, specifically using a neural network model. Experimental and theoretical descriptors are carefully selected according to their relevance to physicochemical aspects of the dissolution process. Methodology: A solubility data set of four structurally related sulfonamides (sulfadiazine, sulfamerazine, sulfamethazine, sulfamethazine, and sulfacetamide) in different solvents under different temperature conditions and cosolvent composition is used to develop an artificial neural network model using less than 37 descriptors. Results: The developed AI algorithm shows acceptable correlation with experimental data, suggesting its potential as an approximation tool for optimizing solubility-related processes in the pharmaceutical industry. 

Introducción: La solubilidad es una de las propiedades fisicoquímicas más importantes en las ciencias farmacéuticas, esta propiedad está involucrada en diversos procesos, desde el desarrollo de fármacos hasta la evaluación de la biotoxicidad en el campo ambiental. La predicción precisa de la solubilidad, particularmente la solubilidad acuosa, ha sido un desafío científico debido a la complejidad del proceso de disolución, que involucra energías de red, solvatación, ionización del soluto e interacciones soluto-solvente. Si bien se han utilizado diversos enfoques para predecir la solubilidad, como modelos semiempíricos y métodos de contribución de grupos, la predicción precisa sigue siendo difícil. Los enfoques estadísticos y de aprendizaje automático a menudo emplean numerosos descriptores, lo que dificulta la interpretación racional y el perfeccionamiento de los modelos de predicción. Objetivo: Este estudio se propone un enfoque basado en el aprendizaje autónomo, específicamente mediante un modelo de red neuronal. Se seleccionan cuidadosamente descriptores experimentales y teóricos de acuerdo con su relevancia para los aspectos fisicoquímicos del proceso de disolución. Metodología: Se utiliza un conjunto de datos de solubilidad de cuatro sulfonamidas estructuralmente relacionadas (sulfadiazina, sulfamerazina, sulfametazina y sulfacetamida) en varios solventes bajo diferentes condiciones de temperatura y composición de cosolvente, desarrollando un modelo de redes neuronales artificiales utilizando bajo 37 descriptores. Resultados: El algoritmo de IA desarrollado muestra una correlación aceptable con los datos experimentales, lo que sugiere su potencial como herramienta de aproximación para optimizar los procesos relacionados con la solubilidad en la industria farmacéutica. 

Introdução: Solubilidade é uma das propriedades físico-químicas mais importantes nas ciências farmacêuticas. Esta propriedade está envolvida em vários processos, desde o desenvolvimento de fármacos até a avaliação da biotoxicidade no campo ambiental. A previsão precisa da solubilidade, particularmente da solubilidade aquosa, tem sido um desafio científico devido à complexidade do processo de dissolução, que envolve energias de rede, solvatação, ionização do soluto e interações soluto-solvente. Embora várias abordagens tenham sido usadas para prever a solubilidade, como modelos semi-empíricos e métodos de contribuição de grupo, a previsão precisa continua difícil. Abordagens estatísticas e de aprendizado de máquina geralmente empregam vários descritores, dificultando a interpretação racional e o refinamento dos modelos de previsão. Objetivo: Este estudo propõe uma abordagem baseada na aprendizagem autônoma, especificamente utilizando um modelo de rede neural. Descritores experimentais e teóricos são cuidadosamente selecionados de acordo com sua relevância para os aspectos físico-químicos do processo de dissolução. Metodologia: Um conjunto de dados de solubilidade de quatro sulfonamidas estruturalmente relacionadas (sulfadiazina, sulfamerazina, sulfametazina e sulfacetamida) em vários solventes sob diferentes condições de temperatura e composição de cosolvente é usado, desenvolvendo um modelo de rede neural artificial usando menos de 37 descritores. Conclusão: O algoritmo de IA desenvolvido mostra correlação aceitável com dados experimentais, sugerindo seu potencial como uma ferramenta de aproximação para otimizar processos relacionados à solubilidade na indústria farmacêutica.