به گزارش روابط‌عمومی دانشکده داروسازی دانشگاه علوم پزشکی تهران، ژورنال‌کلاب گروه فارماسیوتیکس ۱۱ آبان ماه ۱۴۰۵ با موضوع «از آزمون و خطا تا توسعه فرمولاسیون خودکار: نقش هوش مصنوعی و یادگیری ماشین» با ارائه دکتر آرشام حکمت و با راهنمایی دکتر فرید درکوش برگزار شد.

در این نشست، ظرفیت ادغام طراحی آزمایش‌ها (DoE)، هوش مصنوعی (AI)، یادگیری ماشین (ML)، بهینه‌سازی بیزی (Bayesian Optimization) و سامانه‌های آزمایشگاهی خودکار در تحول فرایند توسعه فرمولاسیون دارویی تشریح شد.

در ابتدای این ارائه، با اشاره به محدودیت‌های روش‌های سنتی توسعه فرمولاسیون مبتنی بر آزمون و خطا، تعدد متغیرهای اثرگذار و پیچیدگی روابط میان آن‌ها به‌عنوان عواملی معرفی شدند که می‌توانند فرایند دستیابی به فرمولاسیون مطلوب را زمان‌بر، پرهزینه و ناکارآمد کنند. در این چارچوب، استفاده از رویکردهای نظام‌مند و مبتنی بر داده به‌عنوان راهکاری برای افزایش سرعت، دقت و بهره‌وری در توسعه فرمولاسیون مورد توجه قرار گرفت.

در ادامه، نقش طراحی آزمایش‌ها (DoE) در بررسی نظام‌مند اثر متغیرهای فرمولاسیون و برهم‌کنش میان آن‌ها تشریح شد. این روش با فراهم کردن امکان ارزیابی هم‌زمان عوامل مختلف، به شناسایی متغیرهای اثرگذار، بهینه‌سازی پاسخ‌های بحرانی و کاهش تعداد آزمایش‌های موردنیاز برای دستیابی به فرمولاسیون مطلوب کمک می‌کند. همچنین، ترکیب این رویکرد با الگوریتم‌های یادگیری ماشین و بهینه‌سازی بیزی، به‌عنوان مسیری برای پیش‌بینی نتایج آزمایش‌ها و انتخاب هوشمند آزمایش‌های بعدی مطرح شد.

بخش دیگری از ارائه به معرفی مفهوم آزمایشگاه‌های خودران (Self-Driving Laboratories; SDLs) اختصاص داشت. در این آزمایشگاه‌ها، نرم‌افزارهای تحلیل داده، تجهیزات آزمایشگاهی، سامانه‌های رباتیک، مدل‌های پیش‌بینی و دانش تخصصی پژوهشگران در قالب یک چرخه یکپارچه به یکدیگر متصل می‌شوند. در چنین ساختاری، نتایج هر آزمایش به‌صورت داده وارد سامانه شده و مدل‌های هوشمند با تحلیل آن‌ها، شرایط آزمایش بعدی را پیشنهاد می‌کنند. سپس تجهیزات خودکار، آزمایش منتخب را اجرا کرده و داده‌های جدید برای به‌روزرسانی مدل به چرخه بازمی‌گردند. این فرایند تکرارشونده و حلقه‌بسته (Closed-Loop Workflow) امکان یادگیری مستمر و بهینه‌سازی تدریجی فرمولاسیون را فراهم می‌کند.

در این نشست، بهینه‌سازی بیزی به‌عنوان یکی از ابزارهای کلیدی این فرایند مورد بررسی قرار گرفت. این روش با استفاده از اطلاعات حاصل از آزمایش‌های پیشین، ضمن پیش‌بینی عملکرد فرمولاسیون‌های مختلف، آزمایش بعدی را به‌گونه‌ای انتخاب می‌کند که بیشترین اطلاعات مفید یا بیشترین پیشرفت در جهت دستیابی به هدف حاصل شود. از این طریق، می‌توان بدون نیاز به اجرای تعداد زیادی آزمایش مستقل، فضای فرمولاسیون را به‌صورت هوشمند بررسی و گزینه‌های امیدوارکننده را شناسایی کرد.

همچنین، با ارائه نمونه‌های کاربردی از به‌کارگیری یک پلتفرم رباتیک نیمه‌خودران در کشف و بهینه‌سازی فرمولاسیون دارویی، چگونگی تعامل میان الگوریتم‌های پیش‌بینی، یادگیری تکرارشونده و اجرای خودکار آزمایش‌ها تشریح شد. این نمونه‌ها نشان دادند که چگونه ترکیب بهینه‌سازی بیزی با سامانه‌های رباتیک می‌تواند غربالگری فرمولاسیون‌ها را تسریع کرده و فرایند شناسایی گزینه‌های مطلوب را هدفمندتر کند.

از دیگر محورهای این ارائه، بررسی الزامات فنی و زیرساختی برای پیاده‌سازی توسعه خودکار فرمولاسیون بود. در این بخش، وجود داده‌های تجربی دقیق، مستند، استاندارد و قابل بازیابی، تدوین و اجرای رویه‌های عملیاتی استاندارد (SOPs)، برخورداری از زیرساخت آزمایشگاهی مناسب، تجهیزات رباتیک برای تهیه و آماده‌سازی فرمولاسیون‌ها و روش‌های تحلیلی معتبر و قابل اعتماد، از پیش‌نیازهای اساسی راه‌اندازی چنین سامانه‌هایی عنوان شد.

در ادامه، بر اهمیت ثبت قانونمند، یکپارچه و ساختاریافته اطلاعات و وقایع آزمایشگاهی در دانشکده تأکید شد. مستندسازی منظم فرمولاسیون‌ها، شرایط ساخت، متغیرهای فرایندی، نتایج آزمون‌ها و ویژگی‌های کیفی محصولات، در کنار ایجاد بانک اطلاعاتی جامع و کامپیوتری، از زیرساخت‌های ضروری برای توسعه مدل‌های هوش مصنوعی و حرکت به سمت ایجاد آزمایشگاه‌های خودران در دانشگاه معرفی شد. بر این اساس، پراکندگی اطلاعات و ثبت غیرساختاریافته داده‌های آزمایشگاهی می‌تواند مانعی جدی در مسیر بهره‌گیری مؤثر از ظرفیت‌های یادگیری ماشین و خودکارسازی فرایندهای پژوهشی باشد.

در جمع ‌بندی این ارائه، بر این نکته تأکید شد که توسعه فرمولاسیون خودکار صرفاً به تهیه تجهیزات رباتیک یا استفاده از الگوریتم‌های هوش مصنوعی محدود نمی‌شود، بلکه تحقق آن مستلزم شکل‌گیری زیرساختی یکپارچه از داده‌های استاندارد، سامانه‌های نرم‌افزاری و سخت‌افزاری، روش‌های تحلیلی معتبر و دانش تخصصی پژوهشگران است. همچنین با وجود نقش فزاینده هوش مصنوعی و اتوماسیون در این فرایند، تخصص و نظارت انسانی همچنان در طراحی آزمایش‌ها، تفسیر نتایج، اعتبارسنجی پیش‌بینی‌ها و کنترل عملکرد سامانه‌های مستقل ضروری خواهد بود.

این رویکرد می‌تواند زمینه‌ساز تحول در شیوه انجام پژوهش‌های فرمولاسیون دارویی و حرکت به سوی آزمایشگاه‌هایی هوشمند، متصل و داده‌محور باشد؛ آزمایشگاه‌هایی که در آن‌ها تصمیم‌گیری‌های تجربی با اتکا به داده و یادگیری مستمر انجام می‌شود و مسیر توسعه فرمولاسیون با سرعت و کارآمدی بیشتری دنبال خواهد شد.