به گزارش روابط‌عمومی دانشکده داروسازی دانشگاه علوم پزشکی تهران، در ابتدای این نشست علمی، چالش‌های ساختاری و آماری توسعه این رده از داروهای بیولوژیک هدفمند مورد بررسی قرار گرفت. ارائه‌دهنده با اشاره به اینکه با وجود طراحی بیش از 2۷۰ داروی کاندید فاز بالینی، تنها تعداد اندکی از آن‌ها موفق به اخذ تاییدیه نهایی شده‌اند و نرخ شکست بالینی این حوزه به ۷۰ تا ۹۰ درصد می‌رسد، ضرورت تغییر پارادایم از روش‌های سنتی و تجربی به چرخه‌های یکپارچه و هوشمند طراحی، ساخت، ارزیابی و یادگیری (DBTL) را تبیین کرد. در ادامه تشریح شد که معماری پیچیده و سه‌گانه ADCs - متشکل از آنتی‌بادی منوکلونال، لینکر شیمیایی و محموله سایتوتوکسیک - نیازمند بهینه‌سازی هم‌زمان و غیرخطی پارامترهای بیوفیزیکی، ایمنی‌زایی و فارماکوکینتیکی است؛ فرآیندی که فراتر از ظرفیت محاسباتی مدل‌های کلاسیک بوده و بهره‌گیری از الگوریتم‌های پیشرفته هوش مصنوعی را اجتناب‌ناپذیر می‌سازد.

کاربرد یادگیری عمیق در مهندسی ساختارهای دارویی

در بخش تخصصی این سمینار، مفاهیم پایه ای یادگیری ماشین و شبکه های عصبی عمیق مورد بررسی قرار گرفت. همچنین آخرین دستاوردهای محاسباتی در مهندسی بخش‌های مختلف این ساختارها تشریح شد. در حوزه مهندسی ماکرومولکول‌ها، چگونگی کاربرد مدل‌های زبانی پروتئین (pLMs) و مدل‌های انتشاری متقارن سه‌بعدی برای بازطراحی پاراتوپ‌ها، کاهش ایمنی‌زایی بقایای اسید‌آمینه‌ای و تنظیم بهینه میل پیوندی (Affinity Tuning) جهت نفوذ عمیق به بافت تومور و شکستن سد اتصالی مطرح گردید. همچنین در بخش شیمی دارویی، نحوه به‌کارگیری شبکه‌های عصبی گراف (GNNs) و مدل‌های زبانی شیمیایی در طراحی ژنراتیو لینکرها و محموله‌های نوین با قابلیت فرار از پمپ‌های مقاومت دارویی نظیر MDR1 و آزادسازی هدفمند از طریق آنزیم کاتپسین B به تفصیل مورد واکاوی قرار گرفت.

از پیش‌بینی رفتار دارو در بدن تا بهینه‌سازی دوز درمانی

بخش دیگری از ارائه به ارتباط بیوفارماسیوتیکس با یادگیری ماشین اختصاص داشت؛ جایی که نقش الگوریتم‌های درخت تصمیم و یادگیری عمیق در کنترل نسبت بارگذاری دارو به آنتی‌بادی (DAR) و مهار تمایل فضایی به تجمع و رسوب (SAP) تشریح شد. همچنین مدل‌سازی توزیع زیستی دارو با استفاده از شبکه‌های عصبی آگاه از قوانین فیزیک (PINNs) و تلفیق مدل‌های فارماکوکینتیک مبتنی بر فیزیولوژی (PBPK) با پردازش تصاویر پت‌اسکن و پاتومیکس فضایی تبیین گردید؛ رویکردی که تفکیک بیان گیرنده‌های سلولی و پیش‌بینی دقیق پاسخ بالینی بیماران را در چارچوب برنامه‌های بهینه‌سازی دوز سازمان غذا و داروی آمریکا (FDA Project Optimus) ممکن می‌سازد.

در پایان این رویداد علمی، جلسه پرسش و پاسخ با حضور اعضای هیئت علمی برگزار شد و مباحثی پیرامون تفسیرپذیری مدل‌های هوش مصنوعی، محدودیت‌های داده‌های بالینی و چشم‌انداز پیاده‌سازی این پلتفرم‌های محاسباتی در تحقیقات دارویی به بحث و تبادل نظر گذاشته شد. این سمینار با تأکید بر اهمیت هم‌گرایی علوم داروسازی با هوش مصنوعی در پیشبرد درمان‌های نوین سرطان خاتمه یافت.