Quality by Design (QbD) piloté par l’IA : faire progresser le développement prédictif et piloté par les données des formulations pharmaceutiques à l’aide de réseaux de neurones artificiels

Paritosh Singh, Chercheur principal – R&D pharmaceutique

Paritosh Singh est un responsable de la R&D pharmaceutique doté d’une vaste expertise en délivrance avancée de médicaments et en développement de formulations piloté par l’IA, tirant parti du Quality by Design (QbD), de la modélisation statistique et de l’apprentissage automatique pour développer des produits pharmaceutiques robustes et évolutifs. Il est reconnu pour ses contributions originales et influentes à l’application de l’intelligence artificielle en science des formulations, avec un impact sur de multiples programmes de développement. Il a occupé des fonctions scientifiques clés au sein d’organisations pharmaceutiques mondiales, notamment Jubilant, Johnson & Johnson et Perrigo. Il intervient en tant qu’évaluateur pour des plateformes scientifiques de premier plan, dont AAPS et le Journal of Controlled Release, et en tant que juge pour des prix internationaux, notamment les panels de bourses AOAC, ce qui témoigne de la reconnaissance par ses pairs de son expertise et de ses contributions au domaine.

Introduction : Aller au‑delà du QbD conventionnel

Qualité par conception (QbD) a constitué une pierre angulaire du développement pharmaceutique en permettant une approche structurée, scientifique et basée sur le risque pour la conception des formulations et des procédés. Les cadres réglementaires tels que ICH Q8 et ICH Q9 insistent sur le lien entre attributs qualité critiques (CQAs) et les variables de formulation et de procédé afin d’assurer des performances produits cohérentes.

Cependant, à mesure que les formulations deviennent plus complexes, les approches QbD traditionnelles — largement dépendantes de Plan d’expériences (DoE)- présentent des limites pratiques. Celles‑ci incluent des difficultés à saisir les interactions non linéaires, une charge expérimentale croissante et une capacité limitée à prédire des résultats en dehors des espaces expérimentaux définis.

Les outils d’intelligence artificielle (IA), en particulier les artificial neural networks (ANN), offrent une approche complémentaire en permettant une modélisation prédictive et fondée sur les données. L’intégration des ANN au sein des cadres QbD offre l’opportunité de passer d’un développement empirique à un paradigme plus efficace et prédictif.

« Le QbD assisté par l’IA transforme le développement pharmaceutique, passant de l’optimisation expérimentale à une conception prédictive et guidée par les données. »

Cadre hybride QbD–IA

Un cadre QbD–IA hybride intègre une expérimentation structurée avec une modélisation avancée pour améliorer la compréhension et l’optimisation des formulations. Dans ce cadre, des études DoE initiales génèrent des données expérimentales utilisées pour entraîner des modèles ANN. Ces modèles étendent l’espace de conception, identifient des relations complexes et soutiennent l’optimisation virtuelle des variables de formulation. Une confirmation expérimentale valide ensuite les prédictions, permettant une conception de formulations robuste et évolutive.

« L’intégration des artificial neural networks au sein du QbD permet d’identifier des relations complexes et non linéaires que les modèles traditionnels ne parviennent pas à capturer. »

Flux de travail hybride QbD–IA (vue pratique)

1. Définir le QTPP et les CQAs
2. Réaliser un criblage DoE initial pour générer des données structurées
3. Entraîner des ANN sur des jeux de données de formulation/procédé sélectionnés
4. Prédire et affiner l’espace de conception
5. Confirmer par des essais de validation ciblés
6. Établir une stratégie de contrôle et un plan de surveillance (activée PAT)

Figure 1. Cadre QbD–IA hybride pour le développement de formulations. L’intégration des éléments QbD traditionnels avec la modélisation pilotée par l’IA permet une expansion prédictive de l’espace de conception, une sélection optimisée des formulations et le développement d’une stratégie de contrôle robuste.

Un résumé comparatif des approches QbD traditionnelles et QbD assistées par l’IA est fourni dans Tableau 1

Table 1. Comparaison des approches QbD traditionnelles vs QbD hybride assisté par l’IA

“L'intégration de l'IA dans le QbD permet un passage de l'optimisation expérimentale à un développement de formulation prédictif et fondé sur la connaissance.”

Exemple d'application

Dans une application représentative alignée sur des travaux publiés antérieurement (Singh et al., 2026), des réseaux de neurones artificiels (ANN) ont été intégrés dans une stratégie de développement de formulation guidée par le QbD pour optimiser un système de comprimé à libération modifiée multi-composants. Des études DoE initiales ont été menées pour évaluer les variables clés de formulation et leur influence sur les CQA. L'ensemble de données résultant a été utilisé pour entraîner des modèles ANN capables de capturer des relations non linéaires non entièrement décrites par les approches statistiques conventionnelles.

Dans l’étude publiée, le modèle ANN a montré d’excellentes performances prédictives, avec des valeurs de R² généralisé de 0,9989 (entraînement), 0,9999 (validation) et 0,9988 (test), soutenant une optimisation fiable des ratios de polymères et des performances en libération modifiée.

Ces résultats soulignent la valeur pratique de l’intégration de l’IA au sein des cadres QbD pour améliorer la robustesse des formulations, l’évolutivité et l’efficacité du développement.

“Les approches hybrides QbD–IA réduisent considérablement la charge expérimentale tout en améliorant la robustesse et l’évolutivité des formulations.”

“Les modèles d’IA permettent d’étendre l’espace de conception au-delà des limites expérimentales, renforçant la confiance prédictive.”

Figure 2. Comparaison des approches QbD traditionnelles et QbD hybrides assistées par l’IA.

La précision prédictive est une victoire.

Le vrai test est de savoir si cette robustesse résiste au coût caché des défaillances qualité en aval.

→ Lire : La taxe cachée sur l’industrie pharmaceutique : maîtriser le coût de la qualité avant qu’il ne vous maîtrise

Impact sur la fabrication et la montée en échelle

Les modèles guidés par l’IA améliorent la prédictibilité de la montée en échelle en reliant quantitativement les attributs critiques de matière (CMAs) et les paramètres critiques de procédé (CPPs) aux CQAs à travers les échelles. En identifiant les sensibilités du procédé et les interactions non linéaires, ces modèles permettent une définition de l’espace de conception plus robuste et soutiennent l’optimisation de la stratégie de contrôle. L’intégration avec la technologie analytique de procédé (PAT) permet en outre une surveillance fondée sur les données et réduit la variabilité lors de la montée en échelle, du transfert de technologie et de la fabrication commerciale.

Les modèles d’IA doivent être gérés dans le cadre d’une gouvernance du cycle de vie (par ex., contrôle de version, critères de réentraînement et pistes d’audit) pour soutenir un déploiement durable au sein d’un système qualité pharmaceutique.

“Le développement de formulation guidé par l’IA améliore la prédictibilité de la montée en échelle et réduit les risques lors de la commercialisation.”

Liste de contrôle pour adoption pratique (prête pour l’industrie)

1. Utiliser un DoE structuré pour générer des données d’entraînement de haute qualité et éviter les biais dans la couverture des facteurs.
2. Définir les CQAs et les critères d’acceptation avant l’entraînement du modèle (piloté par le QTPP).
3. Valider les prédictions de l’ANN à l’aide d’un jeu de confirmation indépendant avant d’étendre l’espace de conception.
4. Traduire les sorties du modèle en une stratégie de contrôle et un plan de surveillance (PAT lorsque approprié).
5. Maintenir la gouvernance du modèle via la documentation, le contrôle des changements et des revues périodiques de performance.

Les procédures analytiques soutenant le PAT, la libération et les tests de stabilité doivent suivre des principes de développement et de validation fondés sur la science et le risque, cohérents avec les orientations ICH en vigueur (par ex., ICH Q14 et ICH Q2(R2)).

Les modèles d’IA nécessitent une gouvernance du cycle de vie pour survivre à la montée en échelle. La même réflexion basée sur le risque réécrit la manière dont les systèmes MES sont validés.

→ Lire : GAMP 5 Deuxième Édition pour MES : Un guide pratique de validation

Conclusion

Les approches hybrides QbD–IA représentent une avancée significative dans le développement pharmaceutique, permettant une conception de formulations plus prédictive, efficace et robuste. En intégrant l’IA aux principes établis du QbD, ces approches améliorent la compréhension des relations complexes formulation–procédé, renforcent la définition de l’espace de conception et soutiennent des stratégies de contrôle robustes tout au long du développement et de la fabrication. À mesure que les systèmes pharmaceutiques deviennent de plus en plus complexes, les cadres QbD assistés par l’IA offrent une voie pratique vers un développement de produits plus éclairé, efficace et fiable.

“L’avenir de la R&D pharmaceutique réside dans la convergence des principes QbD avec la modélisation prédictive pilotée par l’IA.”

Références

1. Singh, P.K., Kumar, V., Parihar, A., et al. AI-Powered Predictive Modeling to Optimize Pharmaceutical Formulation and Precise Drug Delivery in Modified Release Tablets. Journal of Pharmaceutical Innovation. 2026; 21:52. https://doi.org/10.1007/s12247-025-10283-2
2. International Council for Harmonisation (ICH). ICH Q8(R2) : Pharmaceutical Development. Version finale (Step 4), août 2009. https://database.ich.org/sites/default/files/Q8_R2_Guideline.pdf
3. International Council for Harmonisation (ICH). ICH Q9(R1) : Quality Risk Management. Version finale (Step 4), adoptée le 18 janvier 2023. https://database.ich.org/sites/default/files/ICH_Q9%28R1%29_Guideline_Step4_2022_1219.pdf
4. International Council for Harmonisation (ICH). ICH Q10 : Pharmaceutical Quality System. Version finale (Step 4), 4 juin 2008. https://database.ich.org/sites/default/files/Q10%20Guideline.pdf
5. International Council for Harmonisation (ICH). ICH Q14 : Analytical Procedure Development. Version finale, adoptée le 1er novembre 2023. https://database.ich.org/sites/default/files/ICH_Q14_Guideline_2023_1116.pdf
6. International Council for Harmonisation (ICH). ICH Q2(R2) : Validation of Analytical Procedures. Version finale, adoptée le 1er novembre 2023. https://database.ich.org/sites/default/files/ICH_Q2%28R2%29_Guideline_2023_1130.pdf