دکتر مستشاری راد
لزوم همکاری متخصصان هوش مصنوعی و داروسازان جهت تسهیل فرآیند فرمولاسیون دارویی
دکترطاهره مستشاری راد، متخصص شیمی دارویی و محقق در سخنرانی با عنوان بررسی زمینه های کاربردی و عملیاتی هوش مصنوعی در تسریع توسعه دارو که به مناسبت برگزاری «دومین کنگره بین المللی هوش مصنوعی در علوم پزشکی» برگزار شد، گفت: هر چند برخی از متخصصان دارویی کشور برای استفاده از هوش مصنوعی در فرمولاسیون دارو های جدید ابراز تمایل کرده اند، اما به دلیل نداشتن دانش لازم در زمینه هوش مصنوعی از یک سو و از سوی دیگر در اختیار نداشتن زیر ساخت های مربوط به مجموعه داده ها عملا نمی توان برای آنان هوش مصنوعی را پیاده سازی کرد.

روابط عمومی دانشگاه علوم پزشکی هوشمند-این پژوهشگر امور دارویی ادامه داد: از سوی دیگر حتی شرکت های بزرگ ایرانی ارزش داده هایی را که طی سال های متمادی گردآوردی کرده اند، نمی دانند و بخش عمده ای از این داده ها به دلیل ذخیره نشدن، قابل دسترس نیست.
وی با اشاره به اینکه هوش مصنوعی در مراحل مختلف چرخه دارویی از طراحی گرفته تا فرمولاسیون ساخت آن و پست مارکتینگ می تواند، کاربرد داشته باشد، اظهار داشت: در ایران استفاده از هوش مصنوعی برای کشف داروهای جدید تنها محدود به چاپ مقالات علمی است و به ندرت به مرحله عملی می رسد. این در حالیست که استفاده از هوش مصنوعی در فرمولاسیون دارویی در صنعت بسیار مهم بوده، صنایع دارویی برای کاهش هزینه ها و زمان تولید باید آن را جدی بگیرند.
دکترمستشاری راد گفت: در حوزه تولید فرمولاسیون دارو به کمک AI با دو گروه مخاطب مواجه هستیم. یک دسته متخصصان هوش مصنوعی که ممکن است با حوزه فرمولاسیون دارو آشنایی نداشته باشند و دسته دوم فعالان حوزه دارو در صنایع دارویی ایران که اکثرا با هوش مصنوعی آشنا نیستند؛ البته معدود افرادی هم هستند که در هر دو حوزه فعالند.
- ثبت داده ها برای طراحی مدل های یادگیری ماشینی Machine Learning
این محقق رشته دارویی گفت: بعد از تولید فرمولاسیون های دارویی، فاکتورهایی مانند سرعت آزاد شدن دارو، پایداری فرمولاسیون، اندازه ذرات، شکنندگی قرص ها یا توزیع یکنواخت API (ماده اصلی دارو) و ... برای ارزیابی فرمولاسیون تولید شده مد نظر قرار می گیرند. این فاکتورها به همراه مقادیر و ویژگی های مولکولی مواد موجود در فرمولاسیون و همینطور شرایط دستگاهی می توانند برای مدل سازی های یادگیری ماشین توسط AI سرعت، دقت و سهولت تولید فرمولاسیون های جدید را امکان پذیر سازند.
وی بااشاره به اینکه در برخی موارد در ارتباط با مواد موثر دارویی چالش هایی وجود دارد، خاطر نشان ساخت: در مواقعی که با فرمولاسیون های ساده نمی توان به نتیجه رسید، نیاز است از فرمولاسیون های پیشرفته بهره گرفت. در این موارد اگر از مدل های یادگیری ماشینی استفاده شود، می توان پایداری فرمولاسیون نهایی، تاثیر اکسپیان ها روی حلالیت API، سرعت آزاد شدن دارو در بدن در فرمولاسیون های آهسته رهش و ... را پیشبینی کرد.
دکترمستشاری راد افزود: ضروری است، شرکت های دارویی تمامی آزمون و خطاهایی را که در آزمایشگاه و صنعت انجام می دهند، ثبت و از آنها به عنوان سرمایه شرکت خود حفاظت کنند. زیرا از این داده ها می توان مدل های یادگیری ماشینی را برای هوش مصنوعی طراحی کرد.
وی با تاکید بر اینکه بهترین و با کیفیت ترین داده ها برای ساخت مدل های یادگیری ماشینی داده هایی است که در یک آزمایشگاه ثبت شده باشد، گفت: این داده ها بسیار ارزشمند تر از داده های متفرقه ای است که از نقاط مختلف گردآوری شده اند.
این متخصص شیمی دارویی یادآور شد: صنعت دارویی ایران در حوزه فرمولاسیون برای استفاده از هوش مصنوعی از پتانسیل های بالایی برخوردار است؛ به شرط آنکه شرکت ها به ارزش داده های خود آگاه بوده ، آنها را ذخیره کنند تا بتوانند از آنها در مدل های یادگیری ماشینی استفاده کنند.
وی ادامه داد: هر چند برخی از صنایع دارویی کشور برای استفاده از هوش مصنوعی در فرمولاسیون داروهای جدید ابراز تمایل کرده اند، اما به دلیل دسترسی نداشتن به داده های شرکت و ذخیره سازی نکردن آن و نبود مجموعه داده ها عملا امکان پیاده سازی مدل های یادگیری ماشینی برای آنان میسر نیست.
- بهره گیری از AI در فرمولاسیون داروهای ایرانی؛ کاهش هزینه ها و مقابله با تحریم
دکترمستشاری راد اظهار داشت: از سوی دیگر از آنجا که استفاده از روش های سنتی همراه با آزمون و خطا زمانبر و پر هزینه خواهد بود، استفاده از AI در فرمولاسیون دارو به منظور کاهش زمان و برای جلوگیری از آزمون و خطا بسیار کارآمد است. استفاده از روش مجموعه داده ها به استفاده کنندگان این داده ها این امکان را می دهد که بر اساس داده های قبلی مدل های یادگیری ماشینی را بسازند که بسیار به صرفه تر خواهد بود.
وی افزود: در ایران به ویژه با توجه به شرایط تحریمی این نیاز بسیار بیشتر احساس می شود، زیرا گاهی به دلیل تحریم ها برخی از مواد از دسترس خارج می شود و در صورتی که بر اساس داده های قبلی مدل های یادگیری ماشینی در دسترس باشد، تولیدکنندگان دارو می توانند، گزینه مناسب جایگزین را انتخاب کرده، سریع به جواب برسند.
- متغییرهای مستقل و وابسته در فرمولاسیون دارویی مورد استفاده در AI
دکترمستشاری راد گفت: مدل های یادگیری ماشینی بر اساس داده هایی که از قبل فراهم شده اند، بین دو دسته متغییر های مستقل و وابسته روابطی را شناسایی می کند. این ارتباطات در بسیاری از مواقع به قدری پیچیده هستند که مغز یک انسان عادی قادر به ارزیابی آن نیست. به همین دلیل مدل های یادگیری ماشینی می تواند، بسیار مفید باشد و با روشن شدن اینکه چه روابطی بین این دو دسته متغییرها وجود دارد، ماشین می تواند، پیشبینی هایی را در این زمینه انجام دهد.
وی اظهار داشت: متغییرهای مستقلی را که ما می توانیم، برای تهیه یک مدل یادگیری ماشینی برای استفاده از فرمولاسیون های دارویی فراهم کنیم، می تواند، ویژگی های مولکولی API (ماده موثره دارویی) و Excipients (مواد جانبی) باشد که به عنوان توصیفگر مولکولی نیز شناخته می شود و بیانگر ویژگی های فیزیکی و شیمیایی هر یک از API ها یا Excipient هایی است که مورد استفاده قرار گرفته اند و این اطلاعات به عنوان داده اولیه محسوب می شود.
این محقق دارویی ادامه داد: همچنین باید نسبت هایی از Excipient ها و API ها را که استفاده می کنیم، جزو داده های اولیه مد نظر قرار دهیم. علاوه بر آن دسته دیگری از داده هایی را از قبیل میزان دما در قسمت های مختلف، سرعت مخلوط کردن مواد، نوع دستگاه هایی که استفاده می شود و به صورت کلی شرایط دستگاهی می تواند، جزو فاکتورهای مهمی باشد که در مدل سازی ها نقش موثری را ایفا می کند.
وی در مورد متغییرهای وابسته گفت: فاکتورهایی مانند زمانی که برای فروپاشی یک فرمولاسیون طی می شود، زمانی که طی می شود تا آن فرمولاسیون حل شود، شکنندگی قرص ها و همین طور پایداری و سایر فاکتورها که برای ارزیابی فرمولاسیون نهایی دارو معمولا تست می شود، می تواند به عنوان متغییرهای وابسته ثبت شود.
- نحوه تهیه مجموعه داده ها( Set Data)
دکترمستشاری راد در مورد نحوه تهیه مجموعه داده ها برای پیاده سازی مدل های یادگیری ماشینی با هدف ایجاد فرمولاسیون های جدیدتردارویی گفت: دو روش برای تهیه این مجموعه داده ها وجود دارد تا به کمک آن صنایع و آزمایشگاه ها بتوانند به مرحله فرمولاسیون نهایی برسند. نخست آنکه نتایج آزمایش های متعددی را که قبلا به صورت آزمون و خطا انجام داده اند، به هوش مصنوعی بدهند. البته برای این منظور آنان می بایستی داده های خود و متغییرهای مستقل و وابسته را از قبل ثبت کرده باشند. در این صورت آنان می توانند از این اطلاعات در مدل های یادگیری ماشینی خود استفاده کنند.
وی ادامه داد: چنانچه مجموعه ای از قبل چنین کاری را انجام نداده باشد، می تواند توسط طراحی آزمایش های جدید با ثابت نگه داشتن یک سری از متغییرها و تغییر در سایر متغییرها، مجموعه داده های استاندارد مربوطه را خود بسازد.
دکتر مستشاری تصریح کرد: به فرض اینکه یک گروه تحقیقاتی و صنعتی برای اولین بار قصد داشته باشد، بدون داشتن داده های قبلی فرمولاسیونی را آماده کند، می توانند، موارد مشابه را از مقالاتی که قبلا چاپ شده است، استخراج کرده، مجموعه داده های خود را طراحی کند.
وی در مورد مقایسه این دو روش با هم گفت: برای پیشبینی فرمولاسیون، داده هایی که از یک آزمایشگاه یا یک صنعت واحد توسط دستگاه های خاص و به کمک افرادی ثابت تولید شده باشد، نسبت به استخراج داده از مقالاتی که توسط افراد مختلف که در جاهای مختلف انجام شده است، بسیار معتبرتر خواهد بود.
- نرم افزارهایی برای طراحی فرمولاسیون های پیچیده و کاهش عوارض دارویی به کمک AI
دکتر مستشاری گفت: از آنجا که در برخی از موارد با موادموثره دارویی روبرو هستیم که چالش برانگیز تر هستند مثلا حلالیت در آب کمی دارند فرمولاسیون ها به مراتب پیچیده تر خواهد بود. در خصوص فرمولاسیون هایی که کمک می کنند دارو با سرعت ثابتی در بدن آزاد شود (مثل قرص های push–pull
osmotic pump) با ثابت نگه داشتن سطح دارو یا غلظت دارو در خون عوارض جانبی به میزان قابل توجهی کمتر می شود. متخصصان به کمک هوش مصنوعی نرم افزارهایی را به همین منظور برای استفاده عموم طراحی کرده اند.
وی افزود: از آنجا که این مدل فرمولاسیون ها جزو فرمولاسیون خاص محسوب می شود که کمتر شرکتی قادر به تولید آن است، ساخت آن نیازمند استفاده از مشاورین متخصص و با تجربه در این زمینه است. از طرفی برخی از این افراد با تجربه از طریق تعامل با متخصصان هوش مصنوعی نرم افزارهایی را جهت استفاده علاقمندان به تولید این فرمولاسیون های پیچیده طراحی کرده اند.
این متخصص شیمی دارویی در مورد نحوه کار با این دسته از نرم افزارها یادآور شد: در طراحی این نرم افزارها اطلاعاتی از قبیل نوع API (ماده موثره دارویی) و ویژگی های مولکولی آن به همراه دوز مورد نیاز از API، سرعت آزاد سازی دارو، نوع اکسپیان های در دسترس و... به سیستم داده می شود. پس از آن نرم افزار فرمولاسیون های پیشنهادی را ارائه می کند. در نهایت در صورتی که نتایج ارایه شده از سوی نرم افزار با نتایج عملی در آزمایشگاه تطابق نداشته باشد و به صورت کلی رضایتبخش نباشد، امکان اصلاح داده ها و رفع مشکل برای آن پیشبینی شده است.
وی با اشاره به اینکه از دیگر موارد استفاده از هوش مصنوعی در فرمولاسیون های پیشرفته، استفاده از مدل های یادگیری ماشینی برای فرمولاسیون های داروهای تزریقی آهسته رهش به همراه پلیمر است، افزود: این روش با کاهش دفعات تزریق برای بیماران مزمن راحت تر بوده، عوارض جانبی دارو روی بیمار را نیز کاهش می دهد.
نظر دهید