چالش های صنعت دارویی ایران در هوش مصنوعی: چرا صنعت دارویی ایران از هوش مصنوعی در فرمولاسیون دارو عقب مانده است؟دکتر طاهره مستشاری‌راد، متخصص شیمی دارویی و محقق، گفت: هرچند برخی متخصصان دارویی کشور تمایل خود را برای استفاده از هوش مصنوعی در فرمولاسیون داروهای جدید اعلام کرده‌اند، اما از یک‌سو به دلیل نداشتن دانش کافی در حوزه هوش مصنوعی و از سوی دیگر به علت نبود زیرساخت‌های مرتبط با مجموعه‌داده‌ها، امکان پیاده‌سازی عملی هوش مصنوعی برای آنان وجود ندارد. 

این پژوهشگر دارویی افزود: شرکت‌های بزرگ ایرانی بخش عمده‌ای از داده‌های خود  را ذخیره نکرده‌اند.  آن هایی هم که این اطلاعات را دارند، ارزش داده‌هایی را که طی سال‌های متمادی جمع‌آوری کرده‌اند، نمی‌شناسند. به همین دلیل دسترسی به این داده‌ها برای پژوهشگران و صنایع دارویی امکان‌پذیر نیست.

وی با اشاره به کاربردهای هوش مصنوعی در چرخه داروسازی از طراحی و توسعه تا فرمولاسیون و پست‌مارکتینگ گفت:در ایران استفاده از AI برای کشف داروهای جدید عمدتاً به انتشار مقالات علمی محدود شده و به مرحله عملی نمی‌رسد. این در حالی است که صنایع داروسازی می‌توانند با به‌کارگیری هوش مصنوعی در فرمولاسیون دارویی، هزینه‌ها و زمان تولید را کاهش دهند و بهره‌وری خود را افزایش دهند.

دکترمستشاری راد گفت: در حوزه تولید فرمولاسیون دارو به کمک AI  با دو گروه مواجه هستیم. دسته اول متخصصان هوش مصنوعی که معمولا با حوزه دارو آشنایی ندارد. دسته دوم فعالان حوزه دارو که با هوش مصنوعی آشنایی ندارند؛ البته معدود افرادی  هم هستند که در هر دو حوزه فعالند.

•  طراحی مدل های یادگیری ماشینی   به کمک ثبت داده ها

این محقق حوزه داروسازی گفت: پس از تولید فرمولاسیون‌های دارویی، پژوهشگران باید عوامل  مختلفی را برای ارزیابی این فرمولاسیون  در نظر بگیرند. سرعت آزادسازی دارو، پایداری فرمولاسیون، اندازه ذرات، شکنندگی قرص‌ها و یکنواختی توزیع API (ماده مؤثره دارو) .هوش مصنوعی امکان انجام این ارزیابی‌ها را با سرعت، دقت و سهولت بیشتری فراهم می‌کند.

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 را پیشبینی کرد.

• ثبت آزمون و خطا توسط شرکت های دارویی

دکتر مستشاری‌راد افزود: شرکت‌های دارویی باید تمامی آزمون‌وخطاهایی را که در آزمایشگاه و صنعت انجام می‌دهند، ثبت و آنها را  به‌عنوان سرمایه شرکت می  محفاظت کنند. زیرا پژوهشگران می‌توانند بر پایه این داده‌ها مدل‌های یادگیری ماشینی برای هوش مصنوعی طراحی کنند.

وی گفت: آزمایشگاه‌ها بهترین و باکیفیت‌ترین داده‌ها را برای ساخت مدل‌های یادگیری ماشینی تولید می‌کنند. این داده‌ها ارزش بسیار بیشتری نسبت به داده‌های پراکنده‌ای دارند که از منابع مختلف گردآوری می‌شود.

این متخصص شیمی دارویی یادآور شد: صنعت دارویی ایران در حوزه فرمولاسیون ظرفیت بالایی برای بهره‌گیری از هوش مصنوعی دارد؛ به شرط آنکه شرکت‌ها به ارزش داده‌های خود توجه، آن‌ها را ذخیره‌سازی کنند و امکان استفاده از آن‌ها را در مدل‌های یادگیری ماشینی فراهم آورند.

وی ادامه داد: هرچند برخی صنایع دارویی کشور تمایل خود را برای استفاده از هوش مصنوعی در فرمولاسیون داروهای جدید اعلام کرده‌اند، اما به دلیل نداشتن دسترسی به داده‌های شرکت، ذخیره‌سازی نکردن داده‌ها و نبود مجموعه‌داده‌های منسجم، عملاً امکان پیاده‌سازی مدل‌های یادگیری ماشینی برای آن‌ها وجود ندارد.

• نقش AI در فرمولاسیون داروهای ایرانی؛ کاهش هزینه ها و مقابله با تحریم

دکتر مستشاری‌راد اظهار داشت: روش‌های سنتی که بر آزمون‌وخطا تکیه دارند، زمان‌بر و پرهزینه هستند. بنابراین، شرکت‌ها با به‌کارگیری هوش مصنوعی در فرمولاسیون دارو می‌توانند، زمان تولید را کاهش داده از آزمون‌وخطاهای پرهزینه جلوگیری کنند. استفاده از مجموعه‌داده‌ها این امکان را در اختیار کاربران قرار می‌دهد تا بر اساس داده‌های پیشین، مدل‌های یادگیری ماشینی بسازند که از نظر اقتصادی مقرون‌به‌صرفه‌تر است.

وی افزود: در ایران، به‌ویژه با توجه به شرایط تحریمی، صنعت داروسازی بیش از پیش به این رویکرد نیاز دارد، زیرا تحریم‌ها گاهی دسترسی به برخی مواد اولیه را محدود می‌کنند. در چنین شرایطی، اگر تولیدکنندگان به مدل‌های یادگیری ماشینی مبتنی بر داده‌های قبلی دسترسی داشته باشند، می‌توانند گزینه مناسب را انتخاب کنند و در زمان کوتاه‌تری به نتیجه برسند.

• هوش مصنوعی و  متغیرهای مستقل و وابسته در فرمولاسیون دارویی 

دکتر مستشاری‌راد گفت: مدل‌های یادگیری ماشینی بر اساس داده‌هایی که پیش‌تر فراهم شده‌اند، روابط میان دو دسته متغیرهای مستقل و وابسته را شناسایی می‌کنند. این روابط در بسیاری از موارد آن‌قدر پیچیده‌اند که ذهن انسان به‌تنهایی توان تحلیل آن‌ها را ندارد. به همین دلیل، مدل‌های یادگیری ماشینی نقش بسیار مؤثری ایفا می‌کنند و با شفاف‌سازی ارتباط میان این دو دسته متغیر، امکان انجام پیش‌بینی‌های دقیق را برای ماشین فراهم می‌سازند.

>وی اظهار داشت: پژوهشگران برای ساخت یک مدل یادگیری ماشینی در حوزه فرمولاسیون دارویی می‌توانند متغیرهای مستقلی مانند ویژگی‌های مولکولی API (ماده مؤثره دارو) و ماده جانبی (Excipient)  را در نظر بگیرند. متخصصان این ویژگی‌ها را به‌عنوان توصیفگرهای مولکولی می‌شناسند که خصوصیات فیزیکی و شیمیایی هر یک از APIها یا ماده جانبی مورد استفاده را نشان می‌دهند و این اطلاعات به‌عنوان داده‌های اولیه مدل محسوب می‌شوند.

این محقق دارویی ادامه داد: علاوه بر این، پژوهشگران باید نسبت ماده جانبی مورد استفاده را نیز در زمره داده‌های اولیه ثبت کنند. همچنین عواملی مانند دما در بخش‌های مختلف فرآیند، سرعت مخلوط‌سازی مواد و نوع دستگاه‌های مورد استفاده از جمله داده‌های مهمی هستند که نقش مؤثری در مدل‌سازی ایفا می‌کنند.

وی در تشریح متغیرهای وابسته گفت: پژوهشگران عواملی مانند زمان فروپاشی فرمولاسیون، مدت‌زمان حل شدن آن، میزان شکنندگی قرص‌ها، پایداری و سایر شاخص‌هایی را که معمولاً برای ارزیابی فرمولاسیون نهایی دارو آزمایش می‌شوند، به‌عنوان داده‌های متغیر وابسته ثبت می‌کنند.

• نحوه تهیه مجموعه داده ها( Set Data)

دکتر مستشاری‌راد درباره نحوه تهیه مجموعه‌داده‌ها برای پیاده‌سازی مدل‌های یادگیری ماشینی با هدف دستیابی به فرمولاسیون‌های دارویی نوین گفت: صنایع و آزمایشگاه‌ها می‌توانند از دو روش برای تهیه این مجموعه‌داده‌ها استفاده کنند تا به مرحله فرمولاسیون نهایی برسند. در روش نخست، آن‌ها نتایج آزمایش‌های متعددی را که پیش‌تر به‌صورت آزمون‌وخطا انجام داده‌اند در اختیار سامانه‌های هوش مصنوعی قرار می‌دهند. البته برای اجرای این روش، لازم است پژوهشگران از قبل داده‌ها و متغیرهای مستقل و وابسته را ثبت کرده باشند تا بتوانند از این اطلاعات در مدل‌های یادگیری ماشینی خود بهره ببرند.

وی ادامه داد: اگر یک مجموعه تاکنون چنین اقدامی انجام نداده باشد، می‌تواند با ثابت نگه داشتن بخشی از متغیرها و ایجاد تغییر در سایر متغیرها، آزمایش‌های هدفمند طراحی کند و به این ترتیب مجموعه‌داده‌های استاندارد خود را بسازد.

دکتر مستشاری‌راد تصریح کرد: اگر یک گروه تحقیقاتی یا صنعتی برای نخستین بار و بدون در اختیار داشتن داده‌های قبلی قصد تولید یک فرمولاسیون را داشته باشد، می‌تواند داده‌های مشابه را از مقالات علمی منتشرشده استخراج کند و بر اساس آن‌ها مجموعه‌داده‌های اولیه خود را طراحی کند.

وی در مقایسه این دو روش گفت: داده‌هایی که یک آزمایشگاه یا صنعت واحد با استفاده از تجهیزات مشخص و توسط نیروهای ثابت تولید می‌کند، برای پیش‌بینی فرمولاسیون اعتبار بسیار بیشتری نسبت به داده‌هایی دارد که پژوهشگران آن‌ها را از مقالات متعدد و حاصل کار افراد و محیط‌های مختلف استخراج می‌کنند.

• نرم افزارهایی برای کاهش عوارض دارویی به کمک AI

دکتر طاهره مستشاری‌راد گفت: متخصصان به کمک فرمولاسیون‌های پیچیده که آزادسازی دارو را در بدن به‌صورت تدریجی انجام می دهد، توانسته اند، سطح غلظت دارو را ثابت نگه داشته، عوارض جانبی آن را کاهش دهد. به همین منظور، متخصصان با استفاده از هوش مصنوعی نرم‌افزاری طراحی کرده‌اند تا این فرمولاسیون‌ها را در دسترس عموم قرار دهند.

وی افزود: از آنجا که این فرمولاسیون‌ها جزو دسته فرمولاسیون‌های خاص هستند و کمتر شرکتی توان تولید آن‌ها را دارد، ساخت آن نیازمند همکاری مستقیم میان داروسازان و متخصصان هوش مصنوعی است.

 این متخصص شیمی دارویی در مورد نحوه کار با این نرم‌افزار یادآور شد: در طراحی نرم‌افزار، اطلاعاتی مانند API (ماده مؤثره دارو)، ویژگی‌های مولکولی دارو، دوز مورد نیاز، سرعت آزادسازی دارو و سایر پارامترها به سیستم وارد می‌شوند. در نهایت، اگر نتایج ارائه‌شده توسط نرم‌افزار رضایت‌بخش نباشد، کاربران می‌توانند داده‌ها را اصلاح کرده و پیش‌بینی‌های نرم‌افزار را بهبود بخشند.

>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.

• سوالات متداول

چرا صنعت دارویی ایران از هوش مصنوعی در فرمولاسیون دارو عقب مانده است؟

✅ پاسخ:
 علت اصلی عقب‌ماندگی صنعت دارویی ایران از فناوری هوش مصنوعی، نبود زیرساخت داده‌ای و کمبود دانش تخصصی در حوزه AI است. بسیاری از شرکت‌های دارویی اطلاعات و نتایج آزمون و خطاهای خود را ثبت نمی‌کنند و در نتیجه، امکان طراحی مدل‌های یادگیری ماشینی برای آن‌ها وجود ندارد.

❓۲. نقش داده‌ها در طراحی مدل‌های یادگیری ماشینی دارویی چیست؟

✅ پاسخ:

مدل‌های یادگیری ماشینی (Machine Learning) برای پیش‌بینی و بهینه‌سازی فرمولاسیون دارو به داده‌های دقیق و ساختاریافته نیاز دارند. این داده‌ها شامل متغیرهای مستقل، مانند ویژگی‌های مولکولی مواد مؤثره و جانبی، دما، نسبت مواد و نوع دستگاه‌ها، و متغیرهای وابسته، مانند پایداری، سرعت حل شدن یا شکنندگی قرص‌ها، هستند. هرچه پژوهشگران این داده‌ها را دقیق‌تر ثبت کنند، مدل‌های هوش مصنوعی نتایج دقیق‌تر و کاربردی‌تری ارائه می‌دهند.

 استفاده از هوش مصنوعی چه مزایایی برای صنایع دارویی ایران دارد؟

>✅ پاسخ:
استفاده از هوش مصنوعی در فرمولاسیون دارو می‌تواند هزینه‌ها و زمان تولید را کاهش دهد، وابستگی به روش‌های پرهزینه‌ی آزمون و خطا را از بین ببرد و به صنایع دارویی کمک کند در شرایط تحریم، گزینه‌های جایگزین مواد اولیه را سریع‌تر شناسایی کنند.
همچنین به کمک مدل‌های AI می‌توان فرمولاسیون‌هایی طراحی کرد که عوارض جانبی دارو را کاهش داده و اثربخشی آن را افزایش دهد.

گروه رسانه ای پیام سازان – تهیه و تنظیم از بنفشه پورناجی (روزنامه نگار)