هوش مصنوعی، یادگیری ماشینی و رباتیک به طور قابل توجهی کشف و تولید دارو را بهبود بخشیده‌اند اما این حوزه‌ها در تجارت پرهزینه و پرخطر داروسازی هنوز هم فرصت دارند تا بر یک بخش نادیده گرفته‌شده از روند توسعه دارو اثر بگذارند. این بخش، فرمولاسیون دارو است.

به نقل از ادونسد ساینس نیوز، پس از کشف دارو و پیش از آزمایش بالینی و مرحله ساخت، یک مولکول دارویی امیدوارکننده فرموله می‌شود. این بدان معناست که دارو به گونه‌ای آماده می‌شود که بتوان آن را به طور ایمن و مؤثر به بدن رساند؛ به عنوان مثال، دارو به صورت قرص، اسپری بینی یا تزریق ارائه می‌شود. اگرچه این موضوع بسیار مهم است اما این بخش پیچیده از فرآیند توسعه هر داروی جدید اغلب توسط نادیده گرفته می‌شود.

به گفته پژوهشگران «دانشگاه تورنتو»، روش‌های خودکار مبتنی بر هوش مصنوعی برای فرمولاسیون دارو هنوز در حال تکامل هستند و قابلیت‌های بکری را ارائه می‌دهند که علاوه بر تولید داروهای جدید و موثرتر می‌توانند داروهای قدیمی را نیز احیا کنند.

«کریستین آلن»(Christine Allen) استاد و پژوهشگر دانشکده داروسازی دانشگاه تورنتو گفت: چالش فرمولاسیون، پیچیدگی زیاد آن است. درباره یک داروی خوراکی، بیش از ۱۰ میلیارد ترکیب احتمالی برای مواد تشکیل‌دهنده وجود دارد و هیچ کس قرار نیست همه ۱۰ میلیارد احتمال را ارزیابی کند.

به نظر می‌رسد الگوریتم‌های هوش مصنوعی و یادگیری ماشینی برای بررسی کردن این انبوه احتمالات عالی هستند. با وجود این، تلاش اولیه برای استفاده از هوش مصنوعی در آزمایشگاه آلن با هدف پیش‌بینی چگونگی انتشار یک دارو از یک ذره پلیمری، نقص‌هایی را در این فرضیه آشکار کرد.

آلن گفت: ما مجموعه داده‌ها را با توجه به پژوهش‌های پیشین انتخاب کردیم که تعدادی از آنها در آزمایشگاه خودمان انجام شده بودند و آن داده‌ها را برای آموزش مدل‌های یادگیری ماشینی به کار بردیم.

طولی نکشید که مشکلات ظاهر شدند. آلن ادامه داد: داده‌هایی وجود دارند که گم شده‌اند یا اطلاعاتی که در سوابق پژوهشی وجود ندارند. این‌ها اطلاعاتی هستند که برای آموزش مدل‌های یادگیری ماشینی به آنها نیاز داریم.

برای پر کردن شکاف‌ها، گروه آلن از تجهیزات آزمایشگاهی استفاده کردند که برای انجام دادن سریع آزمایش‌های استاندارد و تولید سریع و دقیق داده‌های از دست‌رفته خودکارسازی شده‌اند. این گروه پژوهشی، هوش مصنوعی و خودکارسازی را به آزمایشگاه وارد کرده بودند اما این دو را در یک روش جدید ادغام کردند که بتواند پتانسیل فرمولاسیون دارو را محقق کند.

پلتفرم خودکار به سرعت فرمول‌های اولیه را ایجاد و آزمایش می‌کند و پس از آن، داده‌ها برای آموزش مجدد الگوریتم و تولید گروه بعدی فرمول‌ها ارائه می‌شوند. آلن گفت: این یک حلقه بسته است تا وقتی بتوانیم گزینه‌های فرمولاسیون را که با مشخصات محصول مورد نظر مطابقت دارند، شناسایی کنیم.

آلن معتقد است که این روش نه تنها می‌تواند تحقیقات را به طور چشمگیری سرعت ببخشد، بلکه می‌تواند کارآیی را نیز افزایش دهد. به گفته آلن، فرمولاسیون بهتر کمک می‌کند تا داروهای بیشتری بتوانند آزمایشات بالینی را پشت سر بگذارند.

این پژوهش در مجله «Advanced Healthcare Materials» به چاپ رسید.