의약품 제형

Schrödinger의 ‘재료 과학’ 소프트웨어 제품군은 결정질 또는 비결정질 형태의 특성 분석부터 가공을 위한 원료 및 부형제 선정, 활성 제약 성분(API)의 제형 및 전달에 이르기까지, 제약 제형 개발을 발전시키기 위한 다양한 계산 기반 솔루션을 제공합니다.

키워드: 결정 구조 예측(CSP), 용해도, 비정질 고체 분산체(ASD), 지질 나노입자(LNP), 머신러닝, 분광법, 촉매 작용, API 분해

배경

신약 개발 속도가 가속화됨에 따라, 신약의 사전 제형화 및 제형화를 신속하고 효율적으로 수행할 수 있는 방법은 제약 개발의 핵심 요소입니다. 분자 모델링( 분자모델링 ) 및 AI/ML 분야의 최신 발전 덕분에 원자 수준에서의 통찰력을 바탕으로 약물 제형을 개선할 수 있게 되었으며, 실험에 앞서 수많은 후보 물질과 제형을 평가할 수 있는 능력도 확보되었습니다.

다음과 같은 방법을 통해 의약품 제형 최적화 머신러닝

제형과 같은 화학 성분의 혼합물은 재료 과학 분야에서 매우 흔하지만, 설계 공간이 방대하기 때문에 그 특성을 최적화하는 것은 여전히 어려운 과제입니다. 성분 구조와 조성 모두의 설계 공간이 방대하기 때문에, 원하는 특성을 얻기 위해 실험을 통해 제형을 미세 조정하는 데는 많은 비용이 소요됩니다. 성분 구조와 조성을 특성에 정확하게 매핑할 수 있는 머신러닝( 머신러닝 , ML) 접근 방식은 원하는 목표 특성을 가진 제형을 신속하게 선별할 수 있는 유망한 해결책을 제시합니다. Schrödinger의 자동화된 ‘Formulation ML’ 워크플로를 사용하여, 제형-특성 모델이 단일 또는 이원 용매 시스템에서 온도에 따른 약물 용해도를 정확하게 예측할 수 있음을 입증합니다. 패리티 플롯에 따르면, 제형 ML 워크플로는 테스트 세트 R² 값 0.96을 달성했으며(이상적인 모델은 R² 1.00을 달성함), 이는 ML 접근법의 정확성을 잘 보여줍니다. 이러한 도구는 신약 설계 방식을 혁신하는 신속한 스크리닝 기능을 제공하며, 예측을 생성하는 데 단 몇 초밖에 걸리지 않아 시행착오를 통한 실험적 탐색보다 몇 배나 더 빠릅니다^.¹

몰(mol) 백분율로 표시된 조성 및 온도를 갖는 단일 또는 이원 용매 혼합물에 포함된 약물의 예시로서, Bao, Z 외, J Cheminform, 2024, 16, 117에서 추출한 데이터 세트를 사용하여 제형 머신러닝 모델에 입력함으로써, 용액 100g당 약물 함량( 용해도 , 그램 단위)을 예측한 사례.

1. Chew AK 외. npj Comput Mater, 2025, 11, 72.

비정질 고체 분산체 개발 가속화

비정질 고체 분산체(ASD)는 원료의약품을 인체가 흡수할 수 있는 안전하고 효과적인 제형으로 제조하는 데 널리 사용됩니다. 호환성 평가부터 용출 메커니즘 파악에 이르기까지, ‘ Schrödinger ’ 플랫폼은 ASD 개발 과정을 가속화할 수 있는 다양한 도구를 제공합니다.

용해 과정에서 아미드형 수지( API )와 주요 ASD 구성 요소(예: 고분자, 계면활성제, 안정제) 간의 복잡한 상호작용은 분산 입자 역학(DPD) 시뮬레이션과 같은 물리 기반 시뮬레이션( coarse-grained )을 통해 쉽게 관찰하고 분석할 수 있습니다. 이를 통해 ASD 용해 과정 전반을 지배하는 근본적인 메커니즘을 파악할 수 있으며, 용매에 의한 phase 분리와 약물 함량이 ASD 안정성 및 혼화성 에 미치는 영향과 같은 실질적인 과제를 해결하는 데 도움이 됩니다. 용해 외에도, 다른 무수 동적 과정들은 ASD 설계에 매우 중요합니다. 핵심 요인 중 하나는 유리전이온도( 유리 전이 온도 ,_Tg)로, ASD 시스템을_Tg 이하로 유지하면 API 재결정화를 유발할 수 있는 과도한 고분자 이동성을 방지하여 궁극적으로 ASD의 효율성과 유통기한을 향상시킬 수 있습니다. Schrödinger의 분자동역학 워크플로는 약물 및 ASD 시스템의_Tg를 추정하는 신뢰할 수 있는 방법을 제공하여, 안전한 API ASD 제형의 목표 지향적 설계를 가능하게 합니다.^1-2