製剤学

Schrödingerの「Materials Science」ソフトウェアスイートは、結晶性または非晶質の形態の特性評価から、製造工程における材料や添加剤の選定、さらには有効成分（API）の製剤化や送達に至るまで、医薬品製剤の開発を推進するための幅広い計算ソリューションを提供しています。

キーワード：結晶構造予測（CSP）、溶解度、非晶質固体分散体（ASD）、脂質ナノ粒子（LNP）、機械学習、分光法、触媒作用、API の分解

背景

創薬のペースが加速する中、新薬の予備製剤化および製剤化を迅速かつ効率的に行う方法は、医薬品開発において極めて重要な要素となっています。分子モデリングやAI／MLにおける最新の進歩により、原子レベルでの知見を得て製剤を改善できるほか、実験に先立って多数の候補物質や製剤を評価することが可能になっています。

機械学習を用いた製剤の最適化

製剤などの化学成分の混合物は、材料科学の分野で広く見られますが、その設計空間が広大であるため、その特性を最適化することは依然として困難です。成分の構造と組成の両方に広大な設計空間があるため、望ましい特性を得るために配合を実験的に微調整するには多大なコストがかかります。成分の構造や組成を特性に正確にマッピングできる機械学習（ML）アプローチは、望ましいターゲット特性を備えた配合を迅速にスクリーニングするための有望な解決策となります。Schrödingerの自動化された「Formulation ML」ワークフローを用いて、配合-特性モデルが単一または二成分の溶媒系における温度依存性の薬剤溶解度を正確に予測できることを実証しました。パリティプロットによると、Formulation MLワークフローはテストセットでR²値0.96を達成しており（理想的なモデルではR²値1.00となる）、これは機械学習アプローチの精度の高さを示しています。これらのツールは、医薬品の設計方法を一変させる迅速なスクリーニング機能を実現し、予測の生成にはわずか数秒しかかかりません。これは、試行錯誤による実験的探索よりも桁違いに高速です。¹

Bao, Z. ら（J Cheminform, 2024, 16, 117）から抽出されたデータセットを用いて、単一溶媒または二成分溶媒混合物中の薬剤の組成（モルパーセント）および温度に関する例を、製剤機械学習モデルに入力し、溶液100グラムあたりの薬剤溶解度（グラム）を予測する。

1. Chew AK ほか。 npj Comput Mater, 2025, 11, 72.

アモルファス固体分散体の開発を加速する

非晶質固体分散体（ASD）は、原薬を人体が吸収しやすい安全かつ効果的な形態に製剤するために広く利用されています。相溶性のスクリーニングから溶出メカニズムの解明に至るまで、「Schrödinger 」プラットフォームには、ASDの開発を加速するためのツールが揃っています。

溶解過程におけるAPI とASDの主要成分（ポリマー、界面活性剤、安定剤など）との間の複雑な相互作用は、分散粒子動力学（DPD）シミュレーションなどの粗視化された物理ベースのシミュレーションを用いて容易に可視化・解析することができます。これにより、ASDの溶解プロセス全体を支配する根本的なメカニズムを解明することが可能となり、溶媒によるphase の分離や、薬物負荷がASDの安定性や混和性に及ぼす影響といった実用上の課題の解決に役立ちます。溶出以外にも、ASDの設計においては他の無水状態における動的プロセスが極めて重要である。重要な要因の一つがガラス転移温度（_Tg）であり、ASD系_{をTg以下に}維持することで、API 再結晶を引き起こし、最終的にASDの効率や保存期間を低下させる可能性のある過度なポリマーの可動性を防ぐことができる。Schrödingerの分子動力学ワークフローは、_{薬剤およびASD系のTgを}推定するための信頼性の高い手法を提供し、安全なAPI ASD製剤のターゲットを絞った設計を可能にする。^1-2