Review of machine learning algorithms´ application in pharmaceutical technology

Abstract

Machine learning algorithms, and artificial intelligence in general, have a wide range of applications in the field of pharmaceutical technology. Starting from the formulation development, through a great potential for integration within the Quality by design framework, these data science tools provide a better understanding of the pharmaceutical formulations and respective processing. Machine learning algorithms can be especially helpful with the analysis of the large volume of data generated by the Process analytical technologies. This paper provides a brief explanation of the artificial neural networks, as one of the most frequently used machine learning algorithms. The process of the network training and testing is described and accompanied with illustrative examples of machine learning tools applied in the context of pharmaceutical formulation development and related technologies, as well as an overview of the future trends. Recently published studies on more sophisticated methods, such as deep neural networks and light gradient boosting machine algorithm, have been described. The interested reader is also referred to several official documents (guidelines) that pave the way for a more structured representation of the machine learning models in their prospective submissions to the regulatory bodies.

Algoritmi mašinskog učenja, kao i veštačka inteligencija u širem smislu, su veoma značajni i primenjuju se u razne svrhe u okviru farmaceutske tehnologije. Počevši od razvoja formulacija, preko izuzetnog potencijala za integraciju u koncept dizajna kvaliteta (engl. Quality by design), algoritmi mašinskog učenja omogućavaju bolje razumevanje uticaja kako formulacionih faktora tako i odgovarajućih procesnih parametara. Algoritmi mašinskog učenja mogu biti od naročitog značaja i za analizu velikog obima podataka koji se generišu korišćenjem procesnih analitičkih tehnologija. U ovom radu su ukratko predstavljene veštačke neuronske mreže, kao jedan od najčešće korišćenih algoritama mašinskog učenja. Prikazani su procesi treninga i testiranja mreža, kao i ilustrativni primeri algoritama primenjenih za različite potrebe razvoja i/ili optimizacije farmaceutskih formulacija i postupaka njihove izrade. Takođe, dat je i pregled budućih trendova u ovoj oblasti, kao i novijih studija o sofisticiranim metodama, poput dubokih neuronskih mreža, i light gradient boosting algoritma. Zainteresovani čitaoci se takođe upućuju na nekoliko zvaničnih dokumenata (vodiča), po uzoru na koje mogu da se očekuju i preporuke za strukturiranu prezentaciju modela mašinskog učenja koji će se podnositi regulatornim telima u okviru dokumentacije koja se priprema za potrebe registracije novih lekova.