پژوهشگران دانشگاه براون موفق به توسعه یک مدل هوش مصنوعی شدهاند که میتواند روند آزادسازی دارو را با دقتی بالاتر و تنها بر اساس بخش کوچکی از دادههای اولیه پیشبینی کند؛ دستاوردی که میتواند زمان آزمایشهای آزمایشگاهی را تا نزدیک به یک روز کاهش دهد.
به گزارش سیناپرس، این پژوهش که به سرپرستی «ویکاس سریواستاوا» انجام شده و نتایج آن در نشریه Journal of Drug Delivery Science and Technology منتشر شده است، نشان میدهد مدل جدید با ترکیب قوانین فیزیک و یادگیری ماشین، توانسته است منحنی کامل آزادسازی دارو را با تا ۴۰ درصد خطای کمتر نسبت به مدلهای ریاضی متداول پیشبینی کند.
داروهای با رهش کنترلشده، مانند برچسبها، کپسولها و فیلمهای دارویی، به گونهای طراحی میشوند که ماده مؤثره را طی ساعتها یا روزها به تدریج آزاد کنند. یکی از مراحل زمانبر در توسعه این داروها، اندازهگیری سرعت آزادسازی ماده دارویی است؛ فرآیندی که معمولاً به چندین روز آزمایش مداوم نیاز دارد.
پژوهشگران برای حل این مشکل از رویکردی موسوم به شبکه عصبی آگاه از فیزیک (Physics-Informed Neural Network یا PINN) استفاده کردند. برخلاف مدلهای رایج که تنها بر دادههای تجربی تکیه دارند، این سامانه قوانین فیزیکی حاکم بر انتشار مواد را نیز در فرآیند یادگیری وارد میکند. به همین دلیل، حتی با در اختیار داشتن تعداد محدودی از دادههای اولیه، قادر است رفتار بعدی دارو را با دقت پیشبینی کند.
در این مطالعه، عملکرد مدل با استفاده از دادههای مربوط به سه نوع فیلم فوقنازک اکسید گرافن شامل فیلمهای صاف، چینخورده و مچالهشده ارزیابی شد. هر یک از این ساختارها به دلیل تفاوت در هندسه، الگوی متفاوتی از آزادسازی دارو دارند.
نتایج نشان داد که برای فیلم صاف، مدل PINN تنها با ۹ نقطه داده (حدود ۱۲۰ دقیقه نخست آزمایش) توانست پیشبینی دقیقی از کل روند آزادسازی ارائه دهد؛ در حالی که مدلهای کلاسیک برای دستیابی به همین دقت به ۱۲ تا ۱۳ نقطه داده و حدود یک تا یک و نیم روز آزمایش نیاز داشتند.
در مورد فیلمهای چینخورده و مچالهشده نیز این مدل با ۱۱ نقطه داده، معادل حدود ۱۲ ساعت آزمایش، به دقت مطلوب رسید؛ در حالی که روشهای سنتی همچنان به ۱۲ تا ۱۳ نقطه داده احتیاج داشتند. بر این اساس، بسته به نوع ماده، بین ۱۲ تا ۳۶ ساعت از زمان آزمایش صرفهجویی شد.
پژوهشگران همچنین نسخه پیشرفتهتری از این سامانه با عنوان PINN بیزی توسعه دادند که در شرایطی که دادههای آزمایشگاهی با نویز و خطا همراه باشند، عملکرد پایدارتری دارد. این مدل علاوه بر ارائه پیشبینی، میزان اطمینان به هر پیشبینی را نیز محاسبه میکند و در آزمایشها خطای کمتری نسبت به مدلهای متداول نشان داد؛ هرچند به توان پردازشی بیشتری نیاز دارد.
به گفته پژوهشگران، این فناوری میتواند روند توسعه سامانههای نوین دارورسانی را تسریع کرده و هزینه و زمان تحقیقات دارویی را کاهش دهد. با این حال، آنها تأکید میکنند که این روش تاکنون تنها روی یک مجموعه داده مربوط به فیلمهای اکسید گرافن آزمایش شده و برای اثبات کارایی آن در طیف گستردهای از داروها، مواد و شرایط واقعی، به مطالعات بیشتری نیاز است.
مترجم:ندا جوادهراتی
