روابط عمومی دانشگاه علوم پزشکی هوشمند- دکترطاهره مستشاری راد، پژوهشگر امور دارویی اظهار داشت: از سوی دیگر حتی شرکت های بزرگ ایرانی ارزش داده هایی  را که طی سال‌های متمادی گردآوردی کرده‌اند، نمی‌دانند و بخش عمده‌ای از  این داده‌ها به دلیل ذخیره نشدن، قابل دسترس نیست.

وی با اشاره به اینکه هوش‌مصنوعی 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 هوش‌مصنوعی 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 هوش‌مصنوعی در فرمولاسیون دارویی در صنعت بسیار مهم بوده، صنایع دارویی برای کاهش هزینه‌ها و زمان تولید باید آن را جدی بگیرند. 

دکتر مستشاری راد گفت: در حوزه تولید فرمولاسیون دارو به کمک هوش‌مصنوعی با دو گروه مواجه هستیم. یک دسته متخصصان هوش‌مصنوعی که معمولا با حوزه دارو آشنایی ندارد و دسته دوم فعالان حوزه دارو که با هوش‌مصنوعی آشنایی ندارند؛ البته معدود افرادی  هم هستند که در هر دو حوزه فعالند.

 

ثبت داده‌ها برای طراحی مدل‌های یادگیری ماشینی (Machine Learning(

این محقق رشته دارویی گفت: بعد از تولید فرمولاسیون‌های دارویی، فاکتورهایی مانند سرعت آزاد شدن دارو، پایداری فرمولاسیون، اندازه ذرات، شکنندگی قرص‌ها یا توزیع یکنواخت API (ماده اصلی دارو) برای ارزیابی فرمولاسیون تولید شده باید مد نظر قرار گیرند که به کمک هوش مصنوعی این امر با سرعت، دقت و سهولت بیشتری قابل انجام است.

 وی بااشاره به اینکه در برخی موارد در ارتباط با مواد موثر دارویی چالش‌هایی وجود دارد، خاطر نشان ساخت: در مواقعی که با فرمولاسیون‌های ساده نمی‌توان به نتیجه رسید، نیاز است از فرمولاسیون‌های پیشرفته بهره گرفت. در این موارد اگر از مدل‌های یادگیری ماشینی استفاده شود، می توان پایداری فرمولاسیون نهایی را پیش‌بینی کرد.

 دکترمستشاری راد افزود: ضروری است، شرکت‌های 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 داده‌ها می توان مدل‌های یادگیری ماشینی را برای هوش‌مصنوعی طراحی کرد.

 وی با تاکید بر اینکه بهترین و با کیفیت ترین داده‌ها برای ساخت مدل‌های یادگیری ماشینی داده‌هایی است که در یک آزمایشگاه ثبت شده باشد، گفت: این داده‌ها بسیار ارزشمند تر از داده‌های متفرقه‌ای است که از نقاط مختلف گردآوری شده‌اند.

این متخصص شیمی دارویی یادآور شد: صنعت دارویی ایران در حوزه فرمولاسیون برای استفاده از هوش‌مصنوعی از پتانسیل‌های بالایی برخوردار است؛ به شرط آنکه شرکت‌ها به ارزش داده‌های خود آگاه بوده ، آنها را ذخیره کنند تا بتوانند از آنها در مدل‌های یادگیری ماشینی استفاده کنند.  

وی ادامه داد: هر چند برخی از صنایع دارویی کشور برای استفاده از هوش‌مصنوعی در فرمولاسیون داروهای جدید ابراز تمایل کرده‌اند، اما به دلیل دسترسی نداشتن به داده‌های شرکت و ذخیره‌سازی نکردن آن و نبود مجموعه داده‌ها عملا امکان پیاده‌سازی مدل‌های یادگیری ماشینی برای آنان میسر نیست.

 

بهره گیری از هوش‌مصنوعی در فرمولاسیون داروهای ایرانی؛ کاهش هزینه‌ها و مقابله با تحریم

دکترمستشاری راد اظهار داشت: از سوی دیگر از آنجا که استفاده از روش‌های سنتی همراه با آزمون و خطا زمانبر و پر هزینه خواهد بود، استفاده ازهوش‌مصنوعی در فرمولاسیون دارو به منظور کاهش زمان و برای جلوگیری از آزمون و خطا بسیار کارآمد است. استفاده از روش مجموعه داده‌ها به  استفاده‌کنندگان این داده‌ها این امکان را می دهد که بر اساس داده‌های قبلی مدل‌های یادگیری ماشینی را بسازند که بسیار به صرفه‌تر خواهد بود.

وی افزود: در ایران به ویژه با توجه به شرایط تحریمی این نیاز بسیار بیشتر احساس می شود، زیرا گاهی به دلیل تحریم‌ها برخی از مواد از دسترس خارج می‌شود و در صورتی که بر اساس داده‌های قبلی مدل‌های یادگیری ماشینی در دسترس باشد، تولیدکنندگان دارو می‌توانند، گزینه مناسب را انتخاب کرده، سریع به جواب برسند.

 

متغییرهای مستقل و وابسته در فرمولاسیون دارویی به کمک هوش‌مصنوعی 

دکترمستشاری راد گفت: مدل‌های یادگیری ماشینی بر اساس داده‌هایی که از قبل فراهم شده‌اند، بین دو دسته متغییرهای مستقل و وابسته روابطی را شناسایی می‌کند. این ارتباطات در بسیاری از مواقع به قدری پیچیده هستند که مغز یک انسان عادی قادر به ارزیابی آن نیست. به همین دلیل مدل‌های یادگیری ماشینی می‌تواند، بسیار مفید باشد و با روشن شدن اینکه چه روابطی بین این دو دسته متغییرها وجود دارد، ماشین می‌تواند، پیش‌بینی‌هایی را در این زمینه انجام دهد.

وی اظهار داشت: متغییرهای مستقلی را که ما می‌توانیم، برای تهیه یک مدل یادگیری ماشینی برای استفاده از فرمولاسیون های دارویی فراهم کنیم، می‌تواند، ویژگی‌های مولکولی  API (ماده اصلی دارو) و Excipient  (ماده جانبی) باشد که به عنوان توصیف‌گر مولکولی نیز شناخته می‌شود و بیانگر ویژگی‌های فیزیکی و شیمیایی هر یک از API ها یا Excipient  هایی است که مورد استفاده قرار گرفته‌اند و این اطلاعات به عنوان داده اولیه محسوب می‌شود.

این محقق دارویی ادامه داد: همچنین باید نسبت‌هایی از Excipient های را که استفاده می‌کنیم، جزو داده‌های اولیه مدنظر قرار دهیم. علاوه بر آن دسته دیگری از داده‌هایی را از قبیل میزان دما در قسمت‌های مختلف، سرعت مخلوط کردن مواد، نوع دستگاه‌هایی که استفاده می‌شود وغیره، می‌تواند، جزو فاکتورهای مهمی باشد که در مدل‌سازی‌ها نقش موثری را ایفا می‌کند.

وی در مورد متغییرهای وابسته گفت: فاکتورهایی مانند زمانی که برای فروپاشی یک فرمولاسیون طی می‌شود، زمانی که طی می‌شود تا آن فرمولاسیون حل شود، شکنندگی قرص‌ها و همین‌طور پایداری و سایر فاکتورها که برای ارزیابی فرمولاسیون نهایی دارو معمولا تست می‌شود، می‌تواند به عنوان داده‌های متغییر وابسته ثبت شود.

 

نحوه تهیه مجموعه داده‌ها( Set Data)

دکترمستشاری راد در مورد نحوه تهیه مجموعه داده‌ها برای پیاده‌سازی مدل‌های یادگیری ماشینی با هدف ایجاد فرمولاسیون‌های جدیدتر دارویی گفت: دو روش برای تهیه این مجموعه داده‌ها وجود دارد تا به کمک آن صنایع و آزمایشگاه‌ها بتوانند به مرحله فرمولاسیون نهایی برسند. نخست آنکه نتایج آزمایش‌های متعددی را که قبلا به صورت آزمون و خطا انجام داده‌اند، به هوش‌مصنوعی بدهند. البته برای این منظور آنان می‌بایستی داده‌های خود و متغییرهای مستقل و وابسته را از قبل ثبت کرده باشند. در این صورت آنان می‌توانند از این اطلاعات در مدل‌های یادگیری ماشینی خود استفاده کنند.

 وی ادامه داد: چنانچه مجموعه‌ای از قبل چنین کاری را انجام نداده باشد، می تواند با ثابت نگه داشتن یک سری از متغییرها و تغییر در سایر متغییرها آزمایش‌هایی را طراحی کرده،  مجموعه داده‌های استاندارد مربوط به را خود بسازد.

دکتر مستشاری تصریح کرد: به فرض اینکه یک گروه تحقیقاتی و صنعتی برای اولین بار قصد داشته باشد، بدون داشتن داده‌های قبلی فرمولاسیونی را آماده کند، می توانند، موارد مشابه را از مقالاتی که قبلا چاپ شده است، استخراج کرده، مجموعه داده‌های خود را طراحی کند.

وی در مورد مقایسه این دو روش با هم گفت: برای پیش‌بینی فرمولاسیون، داده‌هایی که از یک آزمایشگاه یا یک صنعت واحد توسط دستگاه‌های 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 کاهش عوارض دارویی به کمک هوش‌مصنوعی 

دکتر مستشاری گفت: از آنجا که به کمک فرمولاسیون‌های پیچیده دارو می توان ترتیبی را فراهم آورد تا آزاد سازی دارو در بدن به صورت تدریجی انجام شود که این امر سبب ثابت نگه داشتن سطحی از غلظت دارو و کاهش عوارض جانبی آن می‌شود، متخصصان به کمک هوش‌مصنوعی نرم‌افزاری را به همین منظور برای استفاده عموم طراحی کرده‌اند.

وی افزود: از آنجا که این مدل فرمولاسیون‌ها جزو فرمولاسیون خاص محسوب می‌شود که کمتر شرکتی قادر به تولید آن است، ساخت آن نیازمند تعامل میان داروسازان و متخصصان هوش‌مصنوعی است.

این متخصص شیمی دارویی در مورد نحوه کار با این نرم‌افزار یادآور شد: در طراحی نرم‌افزار اطلاعاتی از قبیل API (ماده اصلی دارو) و ویژگی‌های مولکولی دارو به همراه دوز مورد نیاز تولید دارو، سرعت آزادسازی دارو و... به سیستم داده می‌شود و درنهایت درصورتی‌که نتایج ارائه شده از سوی نرم‌افزار رضایت‌بخش نباشد، امکان اصلاح داده‌ها برای آن پیش‌بینی شده است.  

وی با اشاره به اینکه از دیگر موارد استفاده از هوش‌مصنوعی در فرمولاسیون‌های پیشرفته، استفاده از مدل‌های یادگیری ماشینی برای فرمولاسیون‌های داروهای تزریقی آهسته رهش به همراه پلیمر است، افزود: این روش با کاهش دفعات تزریق برای بیماران مزمن راحت‌تر بوده، عوارض جانبی دارو روی بیمار را نیز کاهش می‌دهد.