当医疗公司生产治疗任何疾病、疼痛和疼痛的药丸和片剂时，他们需要从悬浮液中分离活性药物成分并将其干燥。该过程需要人工操作员监控工业干燥器，搅拌材料，并观察化合物是否具有压缩到药物中的正确质量。这项工作在很大程度上取决于操作员的观察。

使这一过程不那么主观、更有效率的方法，是麻省理工学院和武田大学研究人员最近撰写的《自然通讯》论文的主题。该论文的作者设计了一种使用物理学和机器学习对表征混合物中颗粒的粗糙表面进行分类的方法。该技术使用物理增强的基于自相关估计器(PEACE)，可以改变药丸和粉末的制药工艺，提高效率和准确性，并减少药品的失败批次。

“制药过程中失败的批次或失败的步骤非常严重，”麻省理工学院化学工程系实践教授，该研究的作者之一Allan Myerson说。“任何提高制药可靠性、缩短时间和提高合规性的东西都是一件大事。”

该团队的工作是武田与麻省理工学院于2020年启动的持续合作的一部分。MIT-Takeda计划旨在利用MIT和武田的经验来解决医学、人工智能和医疗保健交叉领域的问题。

在制药中，确定化合物是否充分混合和干燥通常需要停止工业规模的干燥器并将样品从生产线上取下进行测试。武田的研究人员认为，人工智能可以改善这项任务，减少减慢生产的停工。

最初，研究小组计划使用视频来训练计算机模型，以取代人类操作员。但是，确定使用哪些视频来训练模型仍然过于主观。相反，MIT-Takeda团队决定在过滤和干燥过程中用激光照射颗粒，并使用物理学和机器学习测量粒度分布。

“我们只是将激光束照射在这个干燥表面上并观察，”麻省理工学院电气工程与计算机科学系的博士生，该研究的第一作者Qihang Zhang说。

物理推导方程描述了激光和混合物之间的相互作用，而机器学习则表征了颗粒大小。该过程不需要停止和启动该过程，这意味着整个工作比标准操作程序更安全，更高效，麻省理工学院机械工程教授，该研究的通讯作者George Barbastathis表示。

机器学习算法也不需要很多数据集来学习它的工作，因为物理学允许快速训练神经网络。

“我们利用物理学来弥补训练数据的不足，这样我们就可以有效地训练神经网络，”张说。“只有少量的实验数据就足以得到一个好的结果。

如今，制药行业中用于颗粒测量的唯一在线工艺是浆料产品，其中晶体漂浮在液体中。没有方法可以在混合过程中测量粉末中的颗粒。粉末可以由浆料制成，但是当液体被过滤和干燥时，其成分会发生变化，需要新的测量。作者说，除了使过程更快，更有效之外，使用PEACE机制使工作更安全，因为它需要较少处理潜在的高效材料。

对药品生产的影响可能是巨大的，通过减少公司在制造产品时需要进行的实验次数，使药物生产更加高效、可持续和具有成本效益。监测干燥混合物的特性是该行业长期以来一直在努力解决的问题，武田工艺化学开发小组主任、该研究的作者之一Charles Papageorgiou表示。

“这是一个很多人都在试图解决的问题，而且那里没有一个好的传感器，”Papageorgiou说。“我认为，这是一个相当大的变化，能够实时监测粒度分布。

Papageorgiou说，该机制可以在其他工业制药业务中应用。在某些时候，激光技术可能能够训练视频成像，允许制造商使用相机进行分析而不是激光测量。该公司现在正致力于在其实验室中评估不同化合物的工具。

结果直接来自武田与麻省理工学院三个部门之间的合作：机械工程、化学工程、电气工程和计算机科学。在过去三年中，麻省理工学院和武田的研究人员合作开展了19个项目，重点是将机器学习和人工智能应用于医疗保健和医疗行业的问题，作为麻省理工学院-武田计划的一部分。

通常，学术研究可能需要数年时间才能转化为工业流程。但研究人员希望直接合作可以缩短这一时间表。武田距离麻省理工学院的校园只有几步之遥，这使得研究人员可以在公司的实验室中进行测试，武田的实时反馈帮助麻省理工学院的研究人员根据公司的设备和运营来构建他们的研究。

结合两个实体的专业知识和使命有助于研究人员确保他们的实验结果具有现实世界的影响。该团队已经申请了两项专利，并计划申请第三项专利。