هوش مصنوعی در فرمولاسیون دارو؛ چرا آزمایشگاه هنوز حرف آخر را می زند؟

هوش مصنوعی چگونه به طراحی فرمولاسیون دارو کمک می کند؟ بررسی کاربرد یادگیری ماشین، انتخاب مواد جانبی، پیش بینی پایداری و ضرورت اعتبارسنجی آزمایشگاهی.

هوش مصنوعی به تدریج در حال تغییر روش توسعه دارو است؛ از شناسایی مولکول های دارویی جدید گرفته تا پیش بینی حلالیت، انتخاب مواد جانبی و بهینه سازی سیستم های دارورسانی. الگوریتم های یادگیری ماشین می توانند ارتباط میان صدها متغیر را تحلیل کنند و در زمانی کوتاه، گزینه هایی را پیشنهاد دهند که بررسی آنها با روش های سنتی به آزمایش های متعدد نیاز دارد. با این حال، یک مسئله اساسی همچنان باقی است: آیا پیش بینی یک مدل محاسباتی برای تأیید عملکرد یک فرمولاسیون دارویی کافی است؟

پاسخ فعلی صنعت داروسازی منفی است. هوش مصنوعی می تواند مسیر توسعه فرمولاسیون را کوتاه تر و تصمیم گیری را هدفمندتر کند، اما هنوز نمی تواند جایگزین کامل آزمایش های فیزیکی، شیمیایی و ارزیابی عملکرد محصول شود. فاصله میان آنچه یک الگوریتم پیش بینی می کند و آنچه در محیط واقعی آزمایشگاه یا خط تولید اتفاق می افتد، یکی از مهم ترین موضوعات پژوهشی در فناوری داروسازی است.

هوش مصنوعی دقیقاً چه تغییری در توسعه فرمولاسیون ایجاد کرده است؟

در توسعه یک فرآورده دارویی، انتخاب ماده مؤثره تنها بخشی از مسئله است. مواد جانبی، نسبت اجزای فرمولاسیون، روش ساخت، شرایط فرایند و ویژگی های محصول نهایی باید به‌گونه ای تنظیم شوند که دارو از نظر پایداری، کیفیت و عملکرد، مشخصات مورد انتظار را داشته باشد. یادگیری ماشین (Machine Learning) با تحلیل داده های حاصل از فرمولاسیون های قبلی، می تواند الگوهای پیچیده میان متغیرها را شناسایی کند.

از کاربردهای مهم این فناوری می توان به موارد زیر اشاره کرد:

• پیش بینی حلالیت: شناسایی ترکیبات و شرایطی که می توانند به بهبود حلالیت مواد مؤثره کم محلول کمک کنند.
• انتخاب مواد جانبی: اولویت بندی مواد جانبی بر اساس ویژگی های فیزیکوشیمیایی و احتمال سازگاری با ماده مؤثره.
• بهینه سازی آزادسازی دارو: پیش بینی پروفایل انحلال و بررسی اثر تغییر نسبت اجزای فرمولاسیون.
• پیش بینی پایداری: شناسایی عوامل مؤثر بر تغییرات فیزیکی و شیمیایی فرآورده در طول نگهداری.
• بهینه سازی فرایند تولید: تحلیل ارتباط میان پارامترهای تولید و ویژگی های کیفی محصول نهایی.

چرا پیش بینی هوش مصنوعی همیشه با نتیجه آزمایشگاه مطابقت ندارد؟

مهمترین محدودیت مدل های AI، وابستگی آنها به داده هایی است که با آنها آموزش دیده اند. الگوریتم از مجموعه ای از اطلاعات قبلی، روابط آماری استخراج می کند؛ اما این روابط الزاماً در تمام شرایط جدید معتبر نیستند. در توسعه فرمولاسیون دارویی، این مسئله اهمیت ویژه ای دارد. دو آزمایشگاه ممکن است از یک ماده مؤثره و مواد جانبی مشابه استفاده کنند، اما به دلیل تفاوت در مشخصات مواد، تجهیزات، روش اختلاط، دما، رطوبت یا شرایط فرایند، نتایج متفاوتی به دست آورند.

کمبود داده های معتبر نیز چالش دیگری است. بسیاری از اطلاعات صنعتی به دلیل محرمانگی فرمولاسیون ها و محدودیت های تجاری در دسترس عموم قرار نمی گیرند. از طرف دیگر، داده های منتشر شده در مقالات علمی همیشه با روش های آزمایشگاهی یکسان تولید نشده اند.

پیش بینی سازگاری ماده موثره دارویی با مواد جانبی در هوش مصنوعی

یکی از حوزه های مهم کاربرد هوش مصنوعی، پیش بینی سازگاری ماده مؤثره دارویی با مواد جانبی است. این موضوع در مرحله پیش فرمولاسیون اهمیت دارد؛ زیرا برهم کنش نامطلوب میان اجزای یک فرآورده می تواند به کاهش پایداری، تغییر رفتار انحلال یا افت کیفیت محصول منجر شود. در آوریل ۲۰۲۶، پژوهشگران در مقاله ای در نشریه AAPS Open، سامانه FormulationDE را برای پیش بینی سازگاری دارو و مواد جانبی معرفی کردند. پایگاه داده این سامانه شامل ۱۱۰۵ داده سازگاری بود که ۵۷۹ مورد سازگار و ۵۲۶ مورد ناسازگار را در بر می گرفت.

مدل یادگیری ماشین این پژوهش به دقت ۷۵ درصد و سطح زیر منحنی ROC برابر با ۰٫۸۲ دست یافت. استفاده از ابزارهای تفسیرپذیری مانند SHAP نیز به پژوهشگران کمک کرد تا سهم گروه های عاملی مختلف را در پیش بینی ناسازگاری بررسی کنند. اهمیت این مطالعه صرفاً در ساخت یک ابزار پیش بینی نیست؛ بلکه نشان می دهد هوش مصنوعی می تواند برای شناسایی ترکیبات پرریسک و اولویت بندی آزمون های سازگاری به کار گرفته شود.

یادگیری ماشین مبتنی بر فیزیک؛ گامی فراتر از همبستگی آماری

یکی از مسیرهای جدید پژوهش، ترکیب یادگیری ماشین با اصول فیزیک و شیمی است. در مدل های متعارف، الگوریتم عمدتاً بر اساس الگوهای موجود در داده ها پیش بینی می کند؛ اما در رویکرد یادگیری ماشین مبتنی بر فیزیک (Physics-Based Machine Learning)، اطلاعات مکانیزمی نیز وارد مدل می شود.

نشریه Journal of Controlled Release در ژوئن 2026 ، کاربرد این رویکرد را در پیش بینی ویژگی های فرمولاسیون بررسی کرد. پژوهشگران با ترکیب داده های محاسباتی مبتنی بر دینامیک مولکولی و یادگیری ماشین، پایداری پراکندگی های جامد آمورف و ویژگی های جذب رطوبت مولکولی را مطالعه کردند.

این رویکرد نشان می دهد افزودن اطلاعات فیزیکوشیمیایی و برهم کنش های مولکولی می تواند به بهبود تعمیم پذیری مدل ها کمک کند؛ به ویژه زمانی که داده های آزمایشگاهی محدود هستند. با این حال، حتی مدل های مبتنی بر فیزیک نیز به اعتبارسنجی تجربی نیاز دارند. پیچیدگی محیط واقعی، تفاوت مواد و محدودیت فرضیات محاسباتی همچنان می توانند بر نتیجه اثر بگذارند.

چرا آزمایش های تجربی همچنان ضروری هستند؟

مدل هوش مصنوعی می تواند احتمال موفقیت یک فرمولاسیون را تخمین بزند، اما برای تأیید کیفیت محصول باید عملکرد واقعی آن اندازه گیری شود. در یک برنامه توسعه دارویی، آزمایش های تجربی می توانند شامل ارزیابی سازگاری دارو و مواد جانبی، آزمون انحلال، بررسی یکنواختی محتوا، ارزیابی ویژگی فیزیکی و مطالعات پایداری باشند. نوع و دامنه آزمون ها به شکل دارویی، ویژگی های ماده مؤثره و الزامات محصول بستگی دارد.

آزمایشگاه فقط محل تأیید پیش بینی نیست. نتایج آزمایش های جدید می توانند دوباره وارد مجموعه داده شوند و برای اصلاح مدل، کاهش خطا و بهبود پیش بینی های بعدی مورد استفاده قرار گیرند. به این ترتیب، توسعه فرمولاسیون به یک چرخه مستمر میان محاسبه، آزمایش و اصلاح تبدیل می شود.

آینده توسعه دارو؛ همکاری دانش فرمولاسیون و هوش مصنوعی

مسیر آینده صنعت داروسازی احتمالاً نه به حذف دانش تجربی و نه به اتکای کامل به الگوریتم ها وابسته است. ترکیب طراحی آزمایش ها (DoE)، رویکرد کیفیت مبتنی بر طراحی (QbD)، مدل های یادگیری ماشین و آزمون های آزمایشگاهی می تواند فرایند توسعه را هدفمندتر کند.

در ژوئن ۲۰۲۶، سازمان غذا و داروی آمریکا نسخه نهایی راهنمای ICH M15 را درباره اصول عمومی توسعه داروی مبتنی بر مدل منتشر کرد. این راهنما بر برنامه ریزی، ارزیابی مدل، مستندسازی شواهد و تناسب مدل با کاربرد موردنظر تأکید دارد. همچنین راهنمای پیش نویس FDA درباره استفاده از هوش مصنوعی در تصمیم گیری های نظارتی دارو، چارچوبی مبتنی بر ریسک برای ارزیابی اعتبار مدل ها پیشنهاد می کند.

در چنین شرایطی، شناخت مواد اولیه همچنان یکی از پایه های توسعه فرمولاسیون باقی می ماند. گرید، خلوص، توزیع اندازه ذرات، رطوبت، ویژگی های عملکردی و سازگاری مواد می توانند بر نتیجه نهایی اثر بگذارند. هوش مصنوعی زمانی می تواند پیش بینی معناداری ارائه دهد که اطلاعات ورودی آن، این ویژگی ها را تا حدی پوشش دهند.

شرکت آرکا شیمی گستر سپیدار با سابقه فعالیت در تأمین مواد اولیه دارویی، آرایشی و بهداشتی از سال ۱۳۹۷، در بخشی از همین زنجیره تخصصی فعالیت می کند. ارائه مشخصات فنی مواد و مستنداتی مانند گواهی آنالیز (COA) و برگه اطلاعات ایمنی (SDS)، از جمله اطلاعاتی است که در ارزیابی و انتخاب مواد اولیه اهمیت دارند.

کد خبر 1081696

• هوش مصنوعی در فرمولاسیون دارو؛ چرا آزمایشگاه هنوز حرف آخر را می زند؟

• هیأت‌هایی از کشورهای همسایه به ایران آمدند و گفتند دشمن‌شان اسرائیل است و برای مقابله با آن به تهران نیاز دارند

• آماده‌باش حداکثری اسرائیل در پی احتمال آغاز جنگ جدید با ایران

• وعده حسن یزدانی به مردم ایران بعد از کسب مدال برنز جهان + ویدئو

• سرلشکر رضایی خطاب به اروپا: هورا می‌کشیدید؛ حالا نوبت شماست که تاوان پس بدهید …!

• نفتکش غول پیکر هدف قرار گرفت؛ ۲۵ خدمه آن تخلیه شدند | سپاه هم تائید کرد

• اگر آمریکایی‌ها از احتمال دست‌یابی ایران به سلاح هسته‌ای می‌ترسند، بد نیست کمی بترسند

• طرف‌های قدرتمندی به دنبال شکست میانجی‌گری ایران و آمریکا هستند | مانعی برای پیوستن ایران به پیمان مکه وجود ندارد

• آماده‌باش حداکثری اسرائیل در پی احتمال آغاز جنگ جدید با ایران

• واکنش سریع ایران؛ عراقچی اتمام حجت کرد | دیگر خط قرمزی وجود نخواهد داشت

• ادای احترام جالب تانک روسی به حسن یزدانی | عکس یادگاری با شیرشاه با موبایل شخصی

• آقای بیرانوند تا موهایت را نزنی و واقعا به سربازی نروی بیخیال نمی‌شوم

• هیأت‌هایی از کشورهای همسایه به ایران آمدند و گفتند دشمن‌شان اسرائیل است و برای مقابله با آن به تهران نیاز دارند

• علی‌اف دعوت اردوغان را رد کرد؛ اختلاف باکو و آنکارا بالا گرفت

• منظره شهر یزد؛ حدود ۷۵ سال قبل + عکس

• نفتکش قطری در خلیج فارس هدف حمله قرار گرفت

• تصویری دیده نشده از رهبران شورای نظامی گردان‌های قسام | تصویری منتشر نشده از یحیی سنوار

• فوری؛ خبر جدید از زمان حمله شدید آمریکا به ایران | اسرائیل نیز در حال آماده شدن است