Ole Miss e Colorcon sviluppano una guida AI per rendere più praticabile la stampa 3D di farmaci personalizzati

Un database intelligente per scegliere formulazioni stampabili senza ricominciare ogni volta da zero
La University of Mississippi e Colorcon hanno avviato una collaborazione per sviluppare un sistema basato sull’intelligenza artificiale capace di assistere ricercatori, produttori farmaceutici e, in prospettiva, farmacie nella selezione degli eccipienti necessari alla produzione di medicinali personalizzati mediante stampa 3D. Il progetto è guidato da Mohammed Maniruzzaman, chair e professor of Pharmaceutics and Drug Delivery alla School of Pharmacy di Ole Miss, e coinvolge il Pharmaceutical Engineering and 3D Printing Lab dell’università. L’obiettivo non è costruire semplicemente una stampante farmaceutica più veloce: il problema che il gruppo vuole affrontare si trova prima della stampa, nella formulazione. Ogni farmaco deve infatti combinare uno o più principi attivi con eccipienti che permettano di ottenere processabilità, stabilità, proprietà meccaniche, rilascio e caratteristiche del prodotto finale compatibili con la terapia. La possibilità teorica di modificare digitalmente dose, forma o profilo di rilascio attraverso la stampa 3D è nota da anni; ciò che rimane difficile è disporre rapidamente di una formulazione che possa essere realmente trasformata in un feedstock e poi stampata in maniera ripetibile. Il progetto Ole Miss-Colorcon vuole trasformare le informazioni sperimentali su queste combinazioni in una sorta di “reference book” digitale capace di suggerire quali materiali abbiano maggiore probabilità di funzionare per un determinato principio attivo e processo.

Il progetto è stato annunciato, ma il modello AI non è ancora un prodotto disponibile
È importante distinguere chiaramente tra obiettivo e risultato già ottenuto. La collaborazione è stata annunciata nel settembre 2026 come progetto di ricerca finanziato dall’industria. Ole Miss afferma che il laboratorio svilupperà un learning algorithm e un database AI-powered, ma al momento non sono stati resi pubblici l’algoritmo utilizzato, il numero di formulazioni che costituirà il training set, le variabili inserite nel modello, le metriche di accuratezza, il sistema con cui verranno gestiti dati mancanti né il protocollo di validazione esterna. Non esiste quindi ancora una piattaforma clinica o un software regolato che un farmacista possa interrogare inserendo il nome di un principio attivo e ricevere automaticamente una ricetta di produzione autorizzata. La descrizione più corretta è quella di un sistema di supporto allo sviluppo farmaceutico in costruzione, destinato a ridurre la quantità di screening empirico necessaria per individuare formulazioni candidate.

Principio attivo ed eccipienti: perché la pillola non è composta soltanto dal farmaco
Una compressa apparentemente semplice contiene normalmente molto più del principio attivo farmacologicamente efficace, o API, Active Pharmaceutical Ingredient. Gli eccipienti possono svolgere funzioni di diluente, legante, disgregante, plasticizzante, lubrificante, matrice per il rilascio controllato, stabilizzante, colorante o rivestimento. Nella produzione convenzionale devono garantire che la compressa possa essere formata, manipolata, conservata e infine liberare il farmaco secondo la specifica prevista. Nella stampa 3D compare un requisito aggiuntivo: la formulazione deve anche essere stampabile. Se si utilizza Fused Deposition Modeling, per esempio, il materiale deve poter essere trasformato in un filamento sufficientemente flessibile da essere alimentato senza spezzarsi ma abbastanza rigido da essere spinto dagli ingranaggi dell’estrusore. Deve fondere all’interno di una finestra termica compatibile con il principio attivo e possedere una viscosità che consenta di attraversare l’ugello mantenendo poi la geometria depositata. Un eccipiente farmaceuticamente accettabile può quindi essere perfettamente sicuro e utilizzato da decenni in compresse tradizionali, ma risultare inadatto a un processo FDM. È questa intersezione tra farmacologia, scienza dei materiali e processo produttivo che rende il problema adatto a un sistema di machine learning.

Nel laboratorio Ole Miss il feedstock viene trasformato in filamento tramite hot-melt extrusion
Le immagini diffuse dall’università mostrano il workflow utilizzato dal gruppo di Maniruzzaman: i componenti in polvere vengono miscelati e introdotti in un estrusore, che li porta in condizioni termomeccaniche tali da produrre un filamento continuo utilizzabile successivamente come “ink” in una stampante FDM. La combinazione Hot-Melt Extrusion, HME, più Fused Deposition Modeling è una delle tecnologie più studiate dal gruppo e compare in numerosi lavori precedenti. HME disperde il principio attivo nella matrice polimerica sotto temperatura e shear; FDM rifonde poi parzialmente il filamento e deposita il materiale secondo la geometria digitale della compressa. La catena è quindi almeno a due stadi: polvere farmaceutica → estrusione del filamento → stampa della forma farmaceutica.

La compatibilità chimica è necessaria ma non sufficiente
Il titolo dell’iniziativa può far pensare che il problema consista principalmente nell’evitare reazioni indesiderate tra API ed eccipiente. In realtà la formulazione deve superare molte verifiche contemporaneamente. Una combinazione può essere chimicamente compatibile ma avere viscosità troppo alta per essere estrusa. Può produrre un filamento eccellente ma richiedere una temperatura alla quale il principio attivo degrada. Può essere stampabile ma generare una compressa troppo fragile, oppure troppo densa per il profilo di dissoluzione desiderato. Può infine funzionare durante le prime prove e mostrare recristallizzazione o variazioni di rilascio dopo alcuni mesi di conservazione.

Un sistema realmente utile dovrebbe quindi riuscire, nel tempo, a correlare numerose proprietà:

La selezione degli eccipienti è quindi l’inizio della catena, non il problema completo.

L’intelligenza artificiale può ridurre lo spazio sperimentale
Nello sviluppo tradizionale il formulatore può selezionare diversi polimeri, plasticizzanti e rapporti API-eccipiente e provarli uno dopo l’altro. Se dieci materiali vengono combinati a cinque concentrazioni e più temperature di estrusione, il numero di esperimenti cresce rapidamente. Il machine learning può utilizzare formulazioni già caratterizzate per identificare pattern e suggerire le combinazioni più promettenti, riducendo il numero di prove necessarie. Questo non significa eliminare l’esperimento. Il modello produce una predizione, che deve essere successivamente verificata attraverso preparazione reale, caratterizzazione del materiale, stampa e test farmaceutici. Il beneficio potenziale consiste nel passare da una ricerca quasi esaustiva dello spazio delle formulazioni a una strategia nella quale gli esperimenti vengono concentrati sulle regioni considerate più promettenti dal modello.

Il gruppo ha già utilizzato machine learning per prevedere stampabilità e dissoluzione
L’idea non nasce dal nulla. Già nel 2020 un lavoro sulla stampa farmaceutica aveva utilizzato modelli di machine learning per correlare proprietà reologiche e comportamento delle compresse stampate in 3D. I ricercatori mostrarono che misure di viscosità potevano essere utilizzate per identificare una finestra operativa di stampa e svilupparono modelli per prevedere il profilo di dissoluzione, ottenendo nel migliore dei casi un valore di similarità f2 di 90,9 rispetto ai dati sperimentali. Quel risultato non equivale al nuovo database Ole Miss-Colorcon, ma dimostra che proprietà di processo e prestazioni farmaceutiche possono essere trattate come problema predittivo.

Nel 2026 Ole Miss ha già pubblicato un lavoro su AI e ottimizzazione dei parametri di stampa
Il laboratorio di Maniruzzaman è inoltre coinvolto in un lavoro pubblicato nel 2026 dedicato proprio all’utilizzo di AI e machine learning per ottimizzare parametri di stampa di forme farmaceutiche 3D, sia in modalità batch sia pensando alla produzione continua. Tra gli autori compare Kshitij Chitnis, uno dei ricercatori citati anche nel nuovo progetto Colorcon. Il lavoro parte dal principio che parametri come velocità, temperatura e geometria influenzano direttamente la qualità del printlet e che un modello addestrato sui dati sperimentali può accelerarne l’ottimizzazione. Il nuovo progetto sposta l’AI ancora più a monte, verso la scelta della formulazione e degli eccipienti, creando potenzialmente una continuità tra selezione dei materiali e ottimizzazione della stampa.

Personalizzazione della dose: uno dei vantaggi più immediati della stampa 3D
Il motivo per cui tutto questo interessa la medicina personalizzata è che una macchina digitale può modificare la quantità di farmaco senza necessariamente richiedere una nuova linea produttiva industriale. Nella compressione convenzionale le dosi vengono realizzate in pochi strength standardizzati perché cambiare formulazione o attrezzatura per produrre numerosi dosaggi intermedi sarebbe costoso. Con la stampa 3D è possibile modificare dimensione, volume, infill o geometria del printlet utilizzando lo stesso materiale di partenza, purché sia stata validata la relazione tra geometria e contenuto di principio attivo. Studi precedenti hanno già dimostrato sperimentalmente la produzione di compresse con dosi non disponibili commercialmente, per esempio nel caso di pramipexolo, e la possibilità di ottenere profili farmacocinetici confrontabili con forme convenzionali in modelli preclinici.

Pediatria è uno dei casi d’uso più intuitivi
Kshitij Chitnis cita proprio il bambino come esempio: invece di dividere una compressa progettata per l’adulto, la farmacia potrebbe teoricamente produrre una forma più piccola e con una quantità di principio attivo corrispondente alla prescrizione. La questione non riguarda soltanto la dose. Dimensioni, forma e facilità di deglutizione possono influenzare l’aderenza terapeutica, soprattutto nei pazienti pediatrici o anziani. Una produzione digitale potrebbe inoltre creare dosi intermedie quando il regime deve essere progressivamente aumentato o ridotto. Ma anche qui la personalizzazione deve rimanere dentro un design space validato: modificare arbitrariamente la geometria può alterare dissoluzione e rilascio, per cui non basta cambiare un numero nel CAD e assumere che il comportamento farmacologico rimanga identico.

Geometria e infill possono modificare il rilascio del farmaco
Una compressa stampata in 3D può essere progettata con differenti strutture interne. A parità di formulazione, cambiare percentuale di riempimento, spessore del guscio o rapporto superficie-volume può modificare il contatto con il fluido e quindi il rilascio. Un lavoro del gruppo di Maniruzzaman basato su Quality by Design ha mostrato che shell thickness e infill density influenzavano significativamente peso e proprietà meccaniche delle compresse, mentre le variabili geometriche considerate modificavano anche quantità e velocità di rilascio del farmaco. La stampa 3D permette quindi una personalizzazione che non è soltanto quantitativa: la geometria stessa diventa un parametro farmaceutico.

Una pillola più grande non significa semplicemente una dose più alta
Questo introduce però un problema di controllo. Se il medico prescrive 37,5 mg invece di 50 mg, non è necessariamente sufficiente ridurre il modello del 25%. La relazione tra volume nominale, massa realmente depositata e dose deve essere calibrata. Layer, flow, densità di riempimento e variazioni di processo possono influenzare la quantità finale. In un medicinale, un errore che sarebbe irrilevante in una stampa meccanica può diventare clinicamente importante. La stampante farmaceutica deve quindi essere trattata più come un’apparecchiatura di dosaggio che come una normale macchina FDM desktop.

Il profilo di rilascio può essere personalizzato oltre alla dose
Ole Miss cita anche la possibilità di produrre forme capaci di liberare il farmaco in momenti differenti. Questo non deriva da una funzione software che imposta semplicemente “rilascio a otto ore”. Deve essere ottenuto progettando struttura, materiale e geometria in modo che dissoluzione, diffusione o erosione della matrice producano il comportamento richiesto. Studi precedenti hanno dimostrato forme FDM a rilascio prolungato e, nel 2025, impianti stampati contenenti gabapentin nei quali la densità di infill influenzava il rilascio fino a 28 giorni. Questi risultati mostrano la flessibilità del processo, ma sono studi sperimentali specifici e non autorizzano a generalizzare qualsiasi profilo temporale a qualsiasi principio attivo.

La temperatura rappresenta uno dei principali limiti dell’FDM farmaceutico
HME e FDM sono entrambi processi termici. Il principio attivo subisce prima l’estrusione del filamento e successivamente un altro ciclo termico durante la stampa. Alcune molecole tollerano bene questa esposizione; altre possono degradare. La selezione degli eccipienti deve quindi tenere conto non soltanto della compatibilità chimica a temperatura ambiente, ma della temperatura necessaria a rendere lavorabile la matrice. Plasticizzanti e polimeri con temperatura di processo più bassa possono aiutare, ma modificano anche proprietà meccaniche e dissoluzione. Un database AI realmente utile dovrebbe dunque correlare stabilità termica dell’API e finestra di processo del materiale, evitando di raccomandare una combinazione teoricamente compatibile ma termicamente inutilizzabile.

Il filamento farmaceutico è un componente di processo, non un semplice supporto
La fotografia diffusa da Ole Miss mostra chiaramente filamento e compressa, ma il filamento non è un prodotto intermedio banale. In una normale FDM il produttore acquista bobine con diametro controllato e proprietà note. Nel laboratorio farmaceutico quella bobina deve essere creata dalla formulazione stessa. Un filamento troppo fragile si spezza prima di raggiungere l’hotend; uno troppo morbido può deformarsi negli ingranaggi; un diametro variabile altera il flusso e potenzialmente la dose. Gran parte del lavoro di sviluppo HME-FDM consiste quindi nel trovare la combinazione tra proprietà farmaceutiche e feedability meccanica. Un sistema AI che sappia prevedere anche questo comportamento sarebbe molto più utile di un semplice database di compatibilità chimica.

Direct Powder Extrusion può eliminare la fase di produzione del filamento
Esistono inoltre approcci che cercano di evitare completamente il passaggio HME-filamento. Un lavoro pubblicato nel settembre 2026, anch’esso con la partecipazione di Maniruzzaman, ha utilizzato Direct Powder Extrusion, DPE, alimentando direttamente una miscela farmaceutica in polvere alla testa di estrusione. Nel caso studiato, dedicato ad atorvastatina a rilascio immediato, circa l’86% del farmaco veniva rilasciato entro 30 minuti e le formulazioni analizzate mantenevano caratteristiche comparabili dopo tre mesi di stabilità accelerata. È un risultato di laboratorio specifico, ma mostra una possibile direzione per semplificare il point-of-care manufacturing: eliminare la necessità di produrre in anticipo un filamento.

Quindi l’AI non dovrà necessariamente lavorare soltanto sull’FDM
Sebbene le immagini e parte del lavoro Ole Miss mostrino HME più FDM, il concetto di database formulativo potrebbe essere utile anche per altri processi farmaceutici additivi: DPE, binder jetting, selective laser sintering, semi-solid extrusion e drop-on-demand hanno tutti requisiti differenti sugli eccipienti. Un materiale ottimo per FDM può essere inadatto a SLS e viceversa. Una futura piattaforma generalizzata dovrebbe quindi includere il processo produttivo come variabile esplicita. Suggerire un eccipiente senza sapere con quale tecnologia verrà processato avrebbe utilità limitata.

Spritam dimostra che un farmaco stampato in 3D può arrivare all’approvazione, ma non rappresenta la farmacia personalizzata
Un riferimento inevitabile è Spritam, levetiracetam, approvato dalla FDA nel 2015 e indicato dall’agenzia come il primo prodotto farmaceutico stampato in 3D approvato. Il processo utilizzato da Aprecia genera una struttura altamente porosa progettata per disgregarsi rapidamente con una piccola quantità di liquido. Spritam è ancora presente nella documentazione FDA aggiornata e dimostra che un processo additivo può essere validato all’interno della regolamentazione farmaceutica. Ma il modello produttivo è molto diverso dalla visione Ole Miss: Spritam è un medicinale industrialmente fabbricato in dosaggi autorizzati, non una farmacia che modifica automaticamente dose e formulazione per ogni paziente.

Approvare una tecnologia non significa approvare qualsiasi medicinale prodotto con quella tecnologia
Questo è probabilmente il punto regolatorio più importante. Non esiste un’autorizzazione astratta chiamata “stampa 3D farmaceutica” che renda automaticamente approvato ogni prodotto generato da una stampante. L’autorità valuta prodotto, formulazione, processo e controlli. Cambiare principio attivo, dose, materiale o profilo di rilascio può modificare sostanzialmente il prodotto. La stessa letteratura recente sottolinea la necessità di un quadro armonizzato che definisca critical material attributes, critical process parameters e controlli specifici per feedstock e tecnologie additive.

Una raccomandazione AI non sostituisce la validazione farmaceutica
Anche se il futuro database arrivasse a prevedere con elevata accuratezza una combinazione API-eccipiente, la formulazione dovrebbe essere verificata sperimentalmente. Tra gli aspetti da controllare rientrano:

• assay e contenuto di principio attivo;
• uniformità tra le unità;
• impurità e prodotti di degradazione;
• dissoluzione;
• proprietà meccaniche;
• stabilità nel tempo;
• riproducibilità del processo;
• eventuale interazione tra packaging e prodotto.

Un algoritmo può ridurre il numero di candidati. Non può trasformare un risultato predittivo in un medicinale dispensabile senza questi passaggi.

“L’AI dirà alla stampante cosa produrre” richiede una forte infrastruttura di sicurezza
La comunicazione Ole Miss propone una visione nella quale il sistema seleziona i componenti appropriati e facilita direttamente la produzione. Perché questo sia utilizzabile in una farmacia reale servirebbero però controlli molto più rigidi di quelli richiesti da un normale slicer. Il sistema dovrebbe impedire combinazioni fuori dal dominio validato, verificare l’identità dei materiali, controllare lotti e scadenze, assicurarsi che la dose prescritta venga convertita correttamente in geometria e parametri e creare un audit trail completo. Sarebbe inoltre necessario stabilire cosa accade quando l’algoritmo riceve un principio attivo o una concentrazione che non appartiene al proprio dominio di addestramento. Un software farmaceutico sicuro dovrebbe in questi casi rifiutarsi di generare una ricetta invece di estrapolare una soluzione apparentemente plausibile.

L’AI generativa e il machine learning predittivo non sono la stessa cosa
Il termine AI può evocare sistemi generativi simili ai moderni chatbot, ma il problema descritto da Ole Miss è più vicino a predictive modeling e recommendation systems. La domanda non è creare una nuova formulazione perché “sembra ragionevole”, ma stimare quantitativamente quali combinazioni abbiano maggiore probabilità di soddisfare criteri definiti. Questo richiede dati strutturati e verificabili. Per un’applicazione regolata l’explainability può inoltre diventare importante: il formulatore deve poter capire quali proprietà hanno portato alla raccomandazione e quali limiti possiede la previsione.

Il dataset sarà probabilmente più importante dell’algoritmo
In molti problemi di machine learning applicato ai materiali, una rete sofisticata addestrata su dati scarsi o incoerenti può essere meno utile di un modello relativamente semplice costruito su un dataset ben standardizzato. In questo progetto sarà essenziale che le informazioni raccolte utilizzino condizioni comparabili: stesso modo di misurare viscosità, identico protocollo per la resistenza del filamento, condizioni di dissoluzione documentate, temperatura e umidità controllate. Dati provenienti da studi differenti possono utilizzare metodi incompatibili e introdurre bias. Il valore industriale di Colorcon potrebbe trovarsi proprio nella disponibilità e standardizzazione delle informazioni su eccipienti di grado farmaceutico prodotti su scala industriale, oltre che nella loro fornitura.

Colorcon porta nel progetto il lato industriale degli ingredienti
Colorcon opera nel settore degli eccipienti e delle soluzioni farmaceutiche utilizzate per coating, formulazione e produzione di forme solide. La collaborazione con un fornitore industriale è rilevante perché molte dimostrazioni accademiche di stampa farmaceutica utilizzano ingredienti e combinazioni ottimizzate per il laboratorio. Passare alla produzione richiede materiali con specifiche, supply chain e qualità coerenti. Sujith Bashetty sottolinea proprio l’importanza degli industrial-grade excipients per costruire un percorso verso la scalabilità. Anche questa affermazione deve essere interpretata correttamente: disporre di eccipienti industriali è un requisito importante, ma non risolve automaticamente throughput, regolamentazione o economia della produzione personalizzata.

Scalabilità qui non significa necessariamente produrre milioni di compresse identiche
Quando si parla di farmaci personalizzati, il termine scalability assume un significato diverso dalla produzione farmaceutica tradizionale. Una rotary tablet press convenzionale può produrre quantità enormi dello stesso dosaggio a un costo unitario bassissimo. Una stampante 3D difficilmente deve competere con quella macchina sullo stesso terreno. Il vantaggio nasce quando si devono produrre molte unità diverse, ciascuna potenzialmente con dose o geometria personalizzata. In questo caso il concetto più appropriato è mass customization: un flusso digitale gestisce numerosi prodotti differenti senza richiedere tooling specifico per ciascuno.

Il throughput rimane comunque un problema reale
La stampa layer-by-layer può essere lenta. Per una farmacia che deve preparare poche decine di unità personalizzate questo può essere accettabile; per una struttura ospedaliera che deve produrne migliaia al giorno servono parallelizzazione, automazione o processi più rapidi. Il progetto AI interviene soprattutto sul tempo di sviluppo e sulla facilità decisionale, non aumenta direttamente la velocità meccanica della stampante. È quindi più corretto dire che potrebbe migliorare la scalabilità del workflow formulativo e operativo, non che abbia già risolto il throughput della produzione additiva farmaceutica.

Anche l’operatore rimane un punto critico
Uno degli obiettivi dichiarati è diminuire la quantità di conoscenza specialistica necessaria al farmacista. È un problema concreto: oggi gran parte della stampa farmaceutica richiede capacità di formulazione, HME, slicing e controllo del processo che non appartengono alla pratica quotidiana della maggior parte delle farmacie. Automatizzare la selezione di materiali e parametri potrebbe ridurre questa barriera. Ma ciò non significa che una stampante farmaceutica debba diventare una normale stampante da ufficio. L’operatore dovrà continuare a verificare prescrizione, materiali, macchina, pulizia e rilascio del prodotto.

Cross-contamination: un problema molto più serio che nella stampa 3D convenzionale
Se la stessa macchina produce diversi farmaci, residui di un principio attivo possono contaminare la formulazione successiva. Nella normale stampa FDM un piccolo residuo di PLA rosso dentro una parte blu è principalmente un difetto estetico. In una farmacia, una quantità residua di un farmaco precedente può essere clinicamente inaccettabile. Hotend, tramoggia, estrusore e superfici di contatto devono quindi essere progettati pensando a pulizia e verifica. Cartridge monouso, componenti dedicati o procedure validate possono ridurre il rischio, ma aumentano costi e complessità. Un database AI non affronta direttamente questo problema.

Dose verification potrebbe richiedere controlli indipendenti dalla stampante
In una futura farmacia digitale sarebbe rischioso affidarsi esclusivamente al comando inviato al motore dell’estrusore per stabilire che la dose sia corretta. Potrebbero servire controlli gravimetrici, sistemi spettroscopici, machine vision o altre tecnologie di Process Analytical Technology per verificare il prodotto. Un sistema closed-loop potrebbe confrontare massa depositata o segnali analitici con la prescrizione e bloccare l’unità se non rientra nei limiti. È una logica molto più vicina alla produzione farmaceutica GMP che al semplice “print and dispense”.

L’AI potrebbe essere più utile nella formulazione che nella stampa stessa
È proprio questo il contributo interessante della collaborazione Ole Miss-Colorcon. La stampa farmaceutica esiste già e numerosi gruppi hanno dimostrato compresse personalizzate. Il collo di bottiglia non è più soltanto dimostrare che una stampante può produrre una pillola, ma costruire un processo nel quale l’utente sappia quale materiale utilizzare, con quali parametri e con quale risultato atteso, senza ripetere mesi di sviluppo per ogni nuovo principio attivo.

Un database che imparasse da formulazioni precedenti potrebbe ridurre drasticamente questo tempo.

Ma il valore dipenderà da quanto sarà grande e ben validato il dominio coperto.

Un modello addestrato su dieci farmaci non diventa automaticamente competente su mille
La generalizzazione sarà probabilmente uno dei test più importanti. API differenti possono avere proprietà fisicochimiche molto diverse. Un farmaco idrofilo a bassa dose è un problema differente da un composto poco solubile che rappresenta metà della massa della compressa. Anche la temperatura di fusione, il rischio di decomposizione e la miscibilità con i polimeri cambiano. Per diventare davvero utile all’industria, la piattaforma dovrà probabilmente espandersi in modo iterativo: formulazioni sperimentali generano dati, il database viene aggiornato e la capacità predittiva cresce.

Active learning potrebbe diventare una strategia particolarmente interessante
Una possibile evoluzione, non ancora descritta pubblicamente per questo progetto, sarebbe utilizzare tecniche di active learning. Il modello non si limiterebbe a scegliere la formulazione apparentemente migliore, ma potrebbe suggerire l’esperimento successivo che massimizza l’informazione acquisita. Se esiste incertezza tra tre tipi di polimero, il sistema potrebbe indicare la combinazione più utile per distinguere quale relazione governi il processo. In questo modo ogni esperimento alimenterebbe direttamente il miglioramento del database. È una strategia già diffusa nello sviluppo di materiali e sarebbe particolarmente adatta a un settore nel quale gli esperimenti farmaceutici sono costosi.

Il progetto non dimostra ancora un beneficio clinico
Un altro confine da mantenere netto è quello tra personalizzazione tecnica e miglioramento clinico. La stampa 3D può produrre un dosaggio intermedio o un profilo di rilascio particolare; non significa automaticamente che il paziente otterrà risultati migliori. Per dimostrare un beneficio clinico servono studi appropriati sul farmaco e sulla popolazione interessata. Il nuovo progetto Ole Miss-Colorcon riguarda principalmente manufacturing e formulation science. Non è uno studio clinico e non ha ancora dimostrato che un medicinale selezionato attraverso il database AI migliori outcome rispetto a una terapia convenzionale.

La personalizzazione può però risolvere problemi reali che oggi vengono gestiti in modo imperfetto
Esistono situazioni nelle quali le dosi commerciali non corrispondono esattamente alle necessità del paziente. Le compresse vengono talvolta divise, vengono utilizzate formulazioni liquide oppure le farmacie preparano dosaggi magistrali. Una tecnologia digitale validata potrebbe offrire una modalità più automatizzata per produrre strength intermedi e forme più facili da assumere. Il potenziale è quindi concreto, soprattutto in pediatria, geriatria e terapie caratterizzate da titolazione della dose. Ma la tecnologia dovrebbe dimostrare almeno lo stesso livello di sicurezza e ripetibilità delle procedure che vuole sostituire.

Non è quindi l’AI che “stampa la pillola”
La formulazione giornalistica più semplice rischia di mettere insieme due tecnologie come se svolgessero lo stesso compito. Nel progetto Ole Miss:

• l’AI dovrebbe aiutare a selezionare formulazione e condizioni compatibili;
• l’hot-melt extrusion può produrre il feedstock;
• la stampa 3D determina geometria e quantità depositata;
• i test farmaceutici verificano che il prodotto soddisfi le specifiche.

Sono quattro livelli differenti.

L’AI non produce il farmaco e la stampante non decide autonomamente se la formulazione sia sicura.

Il risultato più importante potrebbe essere una libreria regolabile, non un algoritmo spettacolare
Se il progetto avrà successo, il prodotto più prezioso potrebbe non essere una rete neurale particolarmente complessa, ma una libreria strutturata di relazioni tra API, eccipienti, proprietà di processo e prestazioni delle forme stampate. Un farmacista o un produttore potrebbe partire da combinazioni già caratterizzate invece di sviluppare ogni volta un sistema da zero.

È concettualmente simile a ciò che è avvenuto in altri settori dell’additive manufacturing: una stampante industriale diventa molto più utile quando esistono parametri qualificati per materiali e geometrie specifiche.

Nel farmaceutico la difficoltà è molto maggiore perché un errore non produce semplicemente una parte fuori tolleranza, ma può produrre una dose errata.

Ole Miss e Colorcon stanno lavorando sul collo di bottiglia giusto, ma siamo ancora in una fase iniziale
La collaborazione affronta quindi un problema importante e spesso sottovalutato. La stampa 3D può modificare digitalmente una compressa in pochi secondi, ma sviluppare il materiale capace di produrla in modo sicuro può richiedere settimane o mesi. Se un modello AI riuscisse a restringere rapidamente lo spazio delle formulazioni e a proporre combinazioni già supportate da dati sperimentali, potrebbe ridurre sensibilmente questa distanza.

Al settembre 2026, tuttavia, il progetto deve essere considerato ricerca in sviluppo. Non sono disponibili benchmark del database, non è stato pubblicato un software, non esiste ancora una dimostrazione di dispensing autonomo in farmacia e non è stata descritta una procedura regolatoria che consenta di approvare automaticamente formulazioni generate dal sistema.

La promessa della stampa farmaceutica personalizzata non dipende infatti soltanto dalla capacità di cambiare dose tramite un file digitale. Richiede di collegare prescrizione, materiali, processo, controllo qualità e tracciabilità in una catena nella quale ogni passaggio sia validato.

L’intelligenza artificiale può diventare uno strumento importante proprio nel punto più difficile di questa catena: trasformare grandi quantità di conoscenza formulativa in una decisione ripetibile e utilizzabile senza chiedere a ogni farmacia di diventare un laboratorio di sviluppo farmaceutico.

Se Ole Miss e Colorcon riusciranno a costruire un database abbastanza ampio, affidabile e validato, il beneficio non sarà aver inventato una pillola “progettata dall’AI”. Sarà aver reso più breve e sistematico il percorso che porta da una prescrizione personalizzata a una formulazione stampabile realmente verificata.

Ed è probabilmente questo, più della stampante stessa, uno dei passaggi necessari perché i farmaci 3D personalizzati possano uscire dal laboratorio e diventare un processo produttivo realmente scalabile.

Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI).