Řízené uvolňování léčiv zní jednoduše: tableta, mikročástice nebo jiný nosič má dodat účinnou látku ve správný čas a na správném místě. V praxi jde ale o kombinaci chemie, materiálového inženýrství a výrobních parametrů. Malá změna v polymeru, velikosti částic nebo způsobu přípravy může změnit rychlost, s jakou se léčivo dostává do organismu.
Právě zde se tradiční vývoj často podobá nastavování starého zesilovače bez stupnice. Výzkumníci upraví složení, vyrobí vzorek, změří jeho chování a následně celý postup opakují. Nový framework E-MAF se snaží tento cyklus zkrátit pomocí modelu, který napodobuje rozhodování zkušeného odborníka.
AI nedostala jednoduchý prompt, ale celý návrhový problém
Studii publikoval časopis Nature Communications 15. září 2026. Autoři z City University of Hong Kong, Čínské akademie věd, Sun Yat-sen University a farmaceutické společnosti Huili Pharmaceutical popsali E-MAF jako „expert-mimic“ framework, tedy systém napodobující postupné rozhodování odborníka.
Nejde o běžný chatbot, kterému někdo napíše „navrhni tabletu s pomalým uvolňováním“. E-MAF kombinuje procesně orientovaný predikční model s optimalizačním algoritmem založeným na genetickém hledání. Zjednodušeně řečeno: nejprve odhaduje, jak se bude konkrétní receptura chovat, a potom zkouší vhodné kombinace složení a výrobních parametrů, dokud se nepřiblíží zadanému cíli.
Cílem tedy není jen navrhnout látky, které vypadají dobře na obrazovce. Výstup má být takzvaně lab-ready, tedy dostatečně konkrétní pro přípravu v laboratoři. Systém pracuje s parametry, jako jsou typ a množství polymeru, poměr jednotlivých složek nebo podmínky zpracování.
Od šesti měsíců k přibližně jedné hodině
Nejvýraznější údaj ze studie se týká rychlosti návrhu. Autoři uvádějí, že E-MAF zkrátil návrhový cyklus z přibližně 6 až 12 měsíců na zhruba jednu hodinu. To neznamená, že za hodinu vznikne hotový lék připravený pro pacienty. Znamená to, že algoritmus dokáže rychle navrhnout kandidátní formulaci, která se následně musí vyrobit, otestovat a ověřit v dalších experimentech.
Rozdíl je podobný jako mezi ručním hledáním trasy přes několik měst a navigací. Navigace může během okamžiku navrhnout cestu, ale neodstraní uzavírky, počasí ani nutnost skutečně do auta nastoupit. U léčiv zůstává laboratorní a regulační ověřování nezbytnou součástí procesu.
Výzkumníci E-MAF testovali na sedmi účinných farmaceutických látkách. Podle článku výsledné profily uvolňování, farmakokinetika v organismu a terapeutické účinky v experimentech odpovídaly komerčním referencím nebo je překonaly. Jde však o výsledky konkrétní studie a konkrétního experimentálního nastavení, nikoli o obecný důkaz, že AI bude stejně úspěšná u každého léčiva.
Jedním z testů bylo uvolňování risperidonu po dobu 28 dní
Autoři jako příklad uvádějí formulaci risperidonu, u níž systém navrhl velmi nízké počáteční uvolnění. Během první hodiny se uvolnilo nejvýše 2 % účinné látky a následně měl systém dosahovat téměř konstantního uvolňování po dobu přibližně 28 dní v živém organismu.
Takový profil je důležitý hlavně u léčiv, kde může příliš rychlé počáteční uvolnění způsobit nežádoucí vysokou koncentraci účinné látky. Naopak příliš pomalé nebo nepravidelné uvolňování může znamenat, že léčivo nebude mít očekávaný účinek. Ideální průběh proto často není jednoduché „čím pomaleji, tím lépe“, ale přesně definovaná křivka v čase.
Odborný pojem near-zero-order release, tedy téměř nulového řádu, popisuje situaci, kdy se látka uvolňuje přibližně konstantní rychlostí. V běžném životě je to blízké zásobníku s ventilem, který po dlouhou dobu propouští podobné množství kapaliny místo jednorázového vytečení.
Studie zapadá do širšího posunu ve farmaceutickém vývoji
E-MAF není izolovaný experiment. AI se ve farmaceutickém výzkumu používá také pro návrh lipozomů, hydrogelů, PLGA mikročástic a 3D tištěných lékových forem. Přehled publikovaný v Journal of Drug Delivery and Therapeutics popisuje posun od čistého přístupu pokus–omyl k optimalizaci založené na datech, grafových modelech a Bayesovském hledání.
Praktický směr ukázala také studie v časopise Pharmaceuticals, která porovnávala návrhy prodlouženě uvolňovaných tablet vytvořené systémy ChatGPT a DeepSeek. Jedna formulace navržená ChatGPT dosáhla podobnosti s referenčním přípravkem podle faktoru f2 na úrovni 71,31. Současně ale autoři uvádějí, že kvantitativní chyba predikcí byla značná: RMSE přesahovalo 17 % a MAPE se pohybovalo přibližně mezi 38 a 60 %.
To je důležitý detail. Jazykový model může navrhnout rozumnou recepturu a zachytit obecný trend, ale stále nemusí přesně předpovědět konkrétní procento uvolněného léčiva v každém časovém bodě. V medicíně je rozdíl mezi „vypadá to podobně“ a „lze to spolehlivě vyrobit v každé šarži“ poměrně zásadní.
Řízené uvolňování míří i k elektrickému ovládání
Další výzkumný směr propojuje AI navržené nosiče s materiály, které reagují na elektrické napětí, enzymy nebo jiné podněty. Studie dostupná v databázi PubMed popsala iontronický systém s takzvaným click-to-release mechanismem.
V tomto případě elektricky řízený systém dopravuje molekulární „nůžky“, které následně uvolní navázanou účinnou látku. Autoři ukázali řízené uvolnění od malých bioaktivních molekul až po velký protein bovinního sérového albuminu. Zařízení dokázalo přepínat fáze aktivního a neaktivního dávkování, ale výzkum zatím zůstává na úrovni experimentální platformy.
AI zde může hrát roli při hledání vhodné kombinace materiálu, geometrie, dávkovacího režimu a elektrických parametrů. Neřeší však sama bezpečnost implantátu, dlouhodobou stabilitu ani klinické riziko. Algoritmus může zmenšit počet slepých uliček, nikoli odstranit potřebu biologických testů.
Co to znamená pro Česko a Evropskou unii
E-MAF podle dostupných informací není veřejná služba, komerční API ani nástroj s českou lokalizací. Neexistuje známý ceník, free tier ani možnost, aby si jej běžný uživatel v Česku jednoduše otevřel v prohlížeči. Studie popisuje výzkumný framework a zároveň uvádí, že na některé aspekty E-MAF a jeho použití při návrhu formulací byla podána patentová přihláška.
Pro evropské farmaceutické firmy je proto důležitější princip než okamžitá dostupnost konkrétního softwaru. Pokud se podobné systémy prosadí, budou muset být zapojené do validovaných vývojových procesů. Každý návrh bude třeba dohledatelně vysvětlit, zopakovat a ověřit. Regulační úřad nebude schvalovat tabletu proto, že ji navrhl chytrý algoritmus.
Výhodou může být rychlejší procházení návrhového prostoru a lepší práce s formulacemi, které by člověk ručně testoval dlouhé měsíce. Limitem zůstává kvalita trénovacích dat, přenositelnost výsledků mezi laboratořemi a skutečnost, že predikce modelu může selhat mimo rozsah, ve kterém byl systém vytvořen.
AI zatím nenahrazuje formulátora. Nahrazuje část čekání
Nejpřesnější čtení studie není „AI navrhla hotový lék“. Přesnější je: AI dokázala rychleji najít kandidátní formulace pro požadovaný profil uvolňování a výzkumníci je následně ověřili experimenty.
To je méně efektní titulek, ale mnohem užitečnější realita. Farmaceutický vývoj není soutěž v rychlosti generování textu. Rozhoduje reprodukovatelnost, bezpečnost, stabilita, výroba ve velkém a klinické výsledky. E-MAF ukazuje, že AI může tuto práci zkrátit a zpřesnit. Zároveň připomíná, že mezi dobře vypadajícím návrhem na monitoru a schváleným léčivem je stále několik velmi skutečných laboratoří.
FAQ
Je E-MAF dostupný českým firmám nebo veřejnosti?
Podle dostupné studie jde o výzkumný framework, nikoli o veřejnou online službu nebo komerční nástroj s ceníkem. Česká lokalizace ani běžná dostupnost pro uživatele v Česku a EU nejsou v publikaci uvedeny.
Může AI sama schválit nový lék?
Ne. AI může navrhnout kandidátní složení a pomoci s optimalizací, ale návrh musí projít laboratorními testy, hodnocením bezpečnosti, výrobní validací a klinickým i regulačním procesem.
Jaký je rozdíl mezi E-MAF a běžným chatbotem?
Běžný chatbot generuje odpověď v textu. E-MAF kombinuje predikční model s optimalizačním algoritmem a hledá konkrétní kombinace složení a výrobních parametrů podle požadované křivky uvolňování.
