奈米乳液技術助藥物傳輸突破瓶頸 機器學習加速新藥研發

【記者謝明哲／綜合外電】藥物在進入血液前常因溶解度不佳，難以被人體吸收利用，成為製藥開發的長期挑戰。麻省理工學院（MIT）化學工程師盧卡斯·阿蒂亞（Lucas Attia），透過博士研究專注於製劑工程，並進一步將其研究拓展至運用機器學習加速藥物發現。

阿蒂亞的研究主要解決了藥物奈米粒子（nanoparticles）的工程問題。許多小分子藥物具親脂性，難溶於水，限制了口服生物利用度（oral bioavailability）。為了克服此問題，奈米化（nanosizing）是口服藥物傳輸的有效策略，如用於免疫抑制劑Rapamune和止吐劑Emend等藥物。然而，傳統製造藥物奈米製劑的方法，如奈米研磨（nano-milling），不僅耗費資源，也可能影響藥物穩定性。

阿蒂亞的博士研究聚焦於奈米乳液模板法（nanoemulsion templating），這是一種「由下而上」的製程，透過將載藥奈米乳液分散到膠凝聚合物溶液中，形成水凝膠，再經乾燥後，便能在聚合物基質中生產出穩定的藥物奈米粒子。此技術屬於奈米技術 （nanotechnology），意指在奈米尺度下操作物質以創造新材料或新裝置。這項研究探索了結構、性質與製程之間的關係，並將奈米乳液模板法推廣應用於多種化學性質不同的親脂性成分，例如大麻二酚（cannabidiol）、克黴唑（clotrimazole）和膽鈣化醇（cholecalciferol），能將粒子尺寸控制在 100 至 1000 奈米之間。

為解決製程中尋找合適有機溶劑的瓶頸，阿蒂亞開發了 FASTSOLV，這是一種利用機器學習 （machine learning）的模型。機器學習是一種人工智慧，讓電腦系統透過分析數據自動學習並改進其表現，而無需明確的程式設計。FASTSOLV 模型能預測有機溶劑的溶解度，加速溶劑篩選過程，並在體外（in silico）溶解度篩選與選擇方面達到頂尖效能。阿蒂亞在勞倫斯伯克利國家實驗室（Lawrence Berkeley National Laboratory）期間，也協助開發了預測光學奈米粒子性質的深度學習模型。

阿蒂亞的博士研究期間（2021至2025年）獲得美國能源部計算科學研究生獎學金（Department of Energy Computational Science Graduate Fellowship）資助，並於 2024 年獲頒 ACS Colloids and Surface Science Symposium Langmuir Graduate Award，2025 年獲得 AIChE PD2M Student Award，以及 2026 年 ACS CAS Future Leaders Award 等榮譽。目前，他於禮來公司（Eli Lilly and Company）擔任機器學習科學家，透過 TuneLAB 平台建立用於藥物發現的屬性預測模型。他長期的目標是開發用於製劑科學的化學資訊工具與機器學習表達方式，以填補目前機器學習方法常將複雜製劑簡化處理，而忽略其數據驅動設計所需物理特性的不足。

參考來源

• From Nanoemulsion-Templated Drug Nanoparticles to Machine Le…（Bioengineer.org）