药物制剂
Schrödinger的“材料科学”软件套件提供了一系列计算解决方案，旨在推动药品制剂技术的发展，涵盖从晶体或非晶态形态表征，到加工用材料和辅料的选择，再到活性药物成分（API）的制剂与给药等各个方面。
关键词：晶体结构预测 （CSP）、溶解度、非晶固体分散体（ASD）、脂质纳米颗粒（LNP）、机器学习（ML） 、光谱学、催化、API 降解
背景
随着药物发现步伐的加快，快速高效地进行新药预制剂开发和制剂开发已成为药物研发的关键环节。分子模拟（分子建模 ）以及人工智能/机器学习（AI/ML）领域的最新进展，使得人们能够获得原子级别的洞察，从而优化药物制剂，并在实验前对大量候选材料和制剂进行评估。
利用……优化药物制剂机器学习（ML）
化学成分的混合物（如配方）在材料科学中无处不在，但由于设计空间极为广阔，优化其性能仍是一项挑战。 由于成分结构和配比的设计空间均十分庞大，通过实验对配方进行微调以获得所需性能的成本十分高昂。能够将成分结构和配比与性能准确关联起来的机器学习（机器学习（ML） , ML）方法，为快速筛选出具有所需性能的配方靶点 提供了一种极具前景的解决方案。通过使用Schrödinger的自动化“配方机器学习”工作流，我们证明了配方-性能模型能够准确预测单溶剂或二元溶剂体系中药物随温度变化的溶解度。 对称图显示，该配方机器学习工作流在测试集上实现了0.96的R²值（理想模型应达到1.00），这凸显了机器学习方法的准确性。这些工具具备快速筛选 能力，能够彻底改变我们的药物设计方式，且仅需数秒即可生成预测结果，其速度比试错式实验探索快了几个数量级。1
1. Chew AK 等。 《npj Comput Mater》，2025，11，72。
加快非晶态固体分散体的开发
非晶态固体分散体（ASD）被广泛用于将活性药物成分（API）制备成可供人体吸收的安全、有效的制剂。从筛选 的相容性测试到对溶出机制的理解，“Schrödinger ”平台提供了多种工具，可加速ASD的开发进程。
在溶解过程中，API 与ASD关键组分（如聚合物、表面活性剂和稳定剂）之间的复杂相互作用，可通过粗粒化物理基础模拟（如色散粒子动力学（DPD）模拟）轻松观察和分析。由此可揭示支配ASD整体溶解过程的根本机制，有助于解决诸如溶剂诱导的phase 分离，以及药物负载量对ASD稳定性和互溶性的影响等实际挑战。 除了溶出度之外，其他无水动力学过程对ASD的设计也至关重要。其中一个关键因素是玻璃化转变温度（Tg），因为将ASD体系维持在Tg以下，可防止聚合物过度移动——这种过度移动可能先导化合物 ，导致API 再结晶，最终降低ASD的效率和保质期。Schrödinger的分子动力学 (MD) 工作流程提供了一种可靠的方法，用于估算药物和ASD体系的Tg，从而能够针对性地设计出安全的API ASD制剂。1-2
1. Afzal M 等。 《分子药剂学》，2021，18，11，3999-4014。
2. Walter S 等。 《药剂学》，2024，16，10，1292。