주요 논문
5
*2026년 기준 최근 6년 이내 논문에 한해 Impact Factor가 표기됩니다.
1
Review
|
인용수 5
·
2025Recent Techniques to Improve Amorphous Dispersion Performance with Quality Design, Physicochemical Monitoring, Molecular Simulation, and Machine Learning
Hari Prasad Bhatta, Hyo‐Kyung Han, Ravi Maharjan, Seong Hoon Jeong
IF 5.5 (2025)
Pharmaceutics
분산(dispersing) 방식은 제형 균질성과 스케일업에 미치는 영향에 대해 논의되어 왔다. 최근 부형제(excipient) 선택, 분자 모델링, 그리고 in silico 예측 접근의 발전은 전통적인 시행착오(trial-and-error) 방식에 대한 의존도를 낮추면서 ASD 설계를 변화시켰다. 또한 머신러닝과 인공지능(AI) 기반 연산 플랫폼은 약물-고분자 상호작용 및 물리적 안정성의 정확한 예측을 가능하게 함으로써 제형 전략을 재구성하고 있다. 고체상 NMR, IR, 유전(誘電) 분광과 같은 고급 특성분석 방법은 상분리(phase separation)와 재결정화(recrystallization)에 대한 유용한 통찰을 제공한다. 이러한 기술적 혁신에도 불구하고, 장기 안정성을 확보하고 과포화(supersaturation)를 유지하는 일은 ASD에 대해 여전히 중요한 과제로 남아 있다. PBPK 모델링과 가속 안정성 시험을 포함하는 통합 제형 설계 프레임워크는 이러한 문제를 해결할 수 있는 잠재적 해법을 제공한다. 향후 연구는 학제 간 협력을 강조하고, 실험적 검증과 함께 연산적 발전을 활용하여 제형 전략을 정교화하며 임상으로의 전이를 가속화해야 한다. 과학자들은 새롭게 부상하는 기술과 데이터 기반 접근법을 통해 치료적 잠재력을 온전히 실현할 수 있다.
https://doi.org/10.3390/pharmaceutics17101249
Quality by Design
Characterization (materials science)
Stability (learning theory)
Amorphous solid
Quality (philosophy)
Pharmaceutical sciences
2
Review
|
인용수 1
·
2025Transformative roles of digital twins from drug discovery to continuous manufacturing: pharmaceutical and biopharmaceutical perspectives
Ravi Maharjan, Nam Ah Kim, Ki‐Hyun Kim, Seong Hoon Jeong
IF 6.4 (2025)
International Journal of Pharmaceutics X
디지털 트윈(Digital Twins, DTs)은 제약 및 바이오제약 산업에서 획기적인 발전 도구로서, 물리적 개체, 과정 또는 시스템의 가상적 표현을 제공한다. 본 리뷰는 약물 발견부터 연속 제조에 이르기까지 약물 개발 생애주기 전반에 걸친 DT의 적용을 검토함으로써 DT의 변혁적 역할을 탐구한다. 실시간 모니터링과 예측 분석을 가능하게 함으로써 DT는 운영 효율을 높이고 비용을 절감하며 제품 품질을 향상시킨다. 인공지능 및 머신러닝과 같은 첨단 기술과의 통합은 예방 정비와 제조 최적화를 위한 정교한 데이터 분석을 가능하게 하여 그 역량을 한층 더 강화한다. 이러한 이점에도 불구하고 DT의 도입은 데이터 통합, 모델 정확도, 규제 복잡성 등 상당한 과제에 직면해 있다. 본 리뷰는 이러한 장벽을 논의하면서, 블록체인, 나노기술, 다크 팩토리(dark factory) 등 신흥 기술을 통해 혁신과 자동화의 기회를 강조한다. 또한 환자 특이적 데이터에 기반한 개별화 치료를 통해 개인맞춤의료를 지원할 수 있는 DT의 잠재력도 탐색한다. 전반적으로 본 리뷰는 제약 시스템에서의 DT 적용에 대한 현재의 현황, 핵심 과제, 향후 전망을 조명하며, 효율성, 품질 및 환자 예후를 개선할 수 있는 그 잠재력을 강조한다.
https://doi.org/10.1016/j.ijpx.2025.100409
Transformative learning
Biopharmaceutical
Drug discovery
Automation
Key (lock)
Biomedicine
Product (mathematics)
Data sharing
3
Article
|
인용수 1
·
2025Cocrystallization of Ezetimibe with Organic Acids: Stoichiometric Optimization for Improved Solubility and Bioavailability
Ravi Maharjan, Ha Eun Park, Ki‐Hyun Kim, Mansingh Chaudhary, Ki-Taek Kim, Minji Kim, Hea‐Young Cho, Seong Hoon Jeong
IF 5.5 (2025)
Pharmaceutics
화학량론과 제조 방법 모두 공결정(cocrystal) 성능을 강하게 좌우하였다. SEV를 통해 1:2 비율로 제조한 벤조산은 용해도, 용출, 생체이용률에서 우수한 결과를 보이며 에제티미브(ezetimibe)의 제제화(formulation) 관련 문제를 해결하였다. 이러한 결과는 특히 소수성 치료제에서 경구 제제 개발의 용해성 장벽을 극복하기 위해 합리적인 공결정 설계가 지닐 수 있는 잠재력을 강조한다.
https://doi.org/10.3390/pharmaceutics17111399
Cocrystal
Solubility
Succinic acid
Glutaric acid
Benzoic acid
Differential scanning calorimetry
Stoichiometry
Dissolution
4
Article
|
인용수 64
·
2024Machine learning-driven optimization of mRNA-lipid nanoparticle vaccine quality with XGBoost/Bayesian method and ensemble model approaches
Ravi Maharjan, Ki Hyun Kim, Kyeong Lee, Hyo‐Kyung Han, Seong Hoon Jeong
IF 8.9 (2024)
Journal of Pharmaceutical Analysis
= 24)는 I-최적 설계(I-optimal design)를 사용하여 개발되었으며, 기계학습 도구(XGBoost/베이지안 최적화 및 자기 검증 앙상블(self-validated ensemble, SVEM))를 활용하여 공정을 최적화하고 지질 혼합비를 예측하였다. 본 연구에는 물질 특성, 각 특성의 비율, 공정 특성이 포함되었다. 입자 크기(PS), 다분산지수(PDI), 제타전위, pKa, 열 트렌드 사이클, 캡슐화 효율(EE), 회수율, 캡슐화된 mRNA 등과 같은 핵심 반응을 평가하였다. 전반적인 SVEM의 예측 성능(>97%)은 XGBoost/베이지안 최적화(>94%)에 비해 비교할 만하게 더 우수하였다. 또한 실제 실험 결과에서 SVEM 예측은 실제 데이터에 가깝게 나타났는데, 실험에서 확인된 PS(94–96 nm)가 예측된 값(95–97 nm)과 유사하였다. PDI 및 EE를 포함한 나머지 매개변수 또한 실제 실험 데이터와 유사하였다.
https://doi.org/10.1016/j.jpha.2024.100996
Chemistry
Bayesian probability
Ensemble learning
Machine learning
Artificial intelligence
Nanoparticle
Bayesian inference
Computational biology
Nanotechnology
Computer science
5
Article
|
·
인용수 25
·
2023Recent trends and perspectives of artificial intelligence-based machine learning from discovery to manufacturing in biopharmaceutical industry
Ravi Maharjan, Jae‐Chul Lee, Kyeong Lee, Hyo‐Kyung Han, Ki Hyun Kim, Seong Hoon Jeong
IF 5.3 (2023)
Journal of Pharmaceutical Investigation
https://doi.org/10.1007/s40005-023-00637-8
Biopharmaceutical
Drug development
Drug discovery
Computer science
Risk analysis (engineering)
Pharmaceutical industry
Drug delivery
Engineering
Biochemical engineering
Artificial intelligence