المحاكاة المتقدمة والتقييم العددي لتقدير ذوبانية الأدوية تحت المعالجة فوق الحرجة باستخدام حسابات الذكاء الاصطناعي

لماذا هذا مهم لأدوية المستقبل

الكثير من الأدوية الحديثة لا تذوب جيدًا في الماء، ما قد يحد من كمية الدواء التي تصل فعليًا إلى الجسم. يتجه صانعو الأدوية إلى طرق معالجة أكثر صداقة للبيئة تستخدم ثاني أكسيد الكربون المضغوط لتحسين ذوبان الأدوية. توضح هذه الدراسة كيف يمكن للذكاء الاصطناعي أن يساعد في التنبؤ، على الحاسوب، بكيفية تصرف دواء لعلاج السكري في مثل هذا النظام بحيث تقل الحاجة للتجربة والخطأ المكلفة في المختبر.

طريقة أنظف لصنع الأدوية صعبة الذوبان

تهتم شركات الأدوية بثاني أكسيد الكربون فوق الحرجة، وهي حالة خاصة من CO₂ يتصرف فيها بخصائص الغاز والسائل معًا. في هذه الحالة يمكنه تحويل الأدوية برفق إلى جزيئات دقيقة تذوب بشكل أفضل، دون الاعتماد على مذيبات عضوية سامة. أحد التحديات الأساسية هو معرفة مسبقًا مقدار ذوبان دواء معين في هذا الوسط غير الاعتيادي عند درجات حرارة وضغوط مختلفة. يمكن للمعادلات الديناميكية الحرارية التقليدية فعل ذلك، لكنها تتطلب قياسات مفصلة لكل دواء جديد وليس من السهل إعادة استخدامها عبر مركبات متعددة.

إتاحة التعلم للحواسب من خلال البيانات

ركز الباحثون على الجليبنكلامايد، دواء ذو ذوبانية مائية ضعيفة يُستخدم لعلاج السكري. جمعوا قياسات تجريبية موجودة لكميات هذا الدواء التي تذوب في CO₂ فوق الحرجة تحت مجموعات متعددة من درجة الحرارة والضغط، بالإضافة إلى بيانات كثافة CO₂ تحت تلك الظروف. باستخدام مجموعة البيانات هذه دربوا ثلاثة أنواع من نماذج الشبكات العصبية الاصطناعية لتعلم العلاقة بين ظروف التشغيل (درجة الحرارة والضغط) ومخرجين مهمين للتصميم: كثافة CO₂ وذوبانية الجليبنكلامايد.

ضبط أذكى بأداة مستوحاة من الطبيعة

لتحقيق أفضل أداء من هذه الشبكات العصبية، استخدم الفريق طريقة بحث تسمى خوارزمية اليعسوب (Dragonfly Algorithm)، مستوحاة من حركة اليعاسيب عندما تتجمع أثناء الصيد والهجرة. بدلًا من اختبار كل إعداد ممكن للنماذج بطريقة القوة الغاشمة، توجه هذه الخوارزمية البحث نحو توليفات واعدة من المعاملات الداخلية. توازن الخوارزمية بين استكشاف خيارات جديدة وتحسين الخيارات الجيدة، وهو أمر مفيد خصوصًا عندما تتفاعل إعدادات كثيرة بطرق معقدة.

ما تعلمته النماذج عن الضغط والحرارة

بعد التدريب، نجحت النماذج الثلاثة في مطابقة القيم المقاسة للذوبانية والكثافة عن قرب، مع حصول شبكة بسيطة نسبيًا تُعرف بالمُدرك متعدد الطبقات (multilayer perceptron) على أدق التنبؤات. أكدت النماذج أن زيادة الضغط ودرجة الحرارة تزيد عمومًا من مدى ذوبان الجليبنكلامايد في CO₂ فوق الحرجة، بينما تميل الزيادة في درجة الحرارة إلى خفض كثافة المائع. من خلال إنشاء أسطح ناعمة وخرائط كفاف من التنبؤات، تمكن المؤلفون من تصور كيفية تفاعل هذه المتغيرات، كاشفين عن مناطق يكون فيها للتغيرات الصغيرة في الضغط أو الحرارة تأثير قوي على الذوبانية أو حيث ينقلب الاتجاه عند ضغوط منخفضة.

أبعد من دواء واحد ونحو تصميم أكثر خضرة

لاختبار ما إذا كان نهجهم مقصورًا على الجليبنكلامايد فقط، اختبر المؤلفون النموذج الأفضل أداءً على بيانات ذوبانية لخمسة أدوية أخرى ذات تراكيب مختلفة. توقع النموذج مرة أخرى الذوبانية في CO₂ فوق الحرجة بدقة عالية، مما يشير إلى أنه يلتقط أنماطًا عامة بدلًا من حفظ حالة واحدة. يعني ذلك أنه قد يصبح أداة عملية لفرز وتصميم عمليات فوق حرجة لأدوية جديدة باستخدام بيانات موجودة في الغالب وتجارب إضافية محدودة.

ما الذي يعنيه هذا للمرضى والكوكب

بعبارات بسيطة، تُظهر هذه الدراسة أن الحواسب يمكن أن تتعلم التنبؤ بكيفية ذوبان دواء في عملية أنظف قائمة على CO₂ لمجرد الاعتماد على قياسات سابقة. هذا يجعل من الأسهل للعلماء إيجاد ظروف تشغيل تمنح ذوبانية أفضل دون تجارب وخسائر مفرطة. بينما لا تختبر الدراسة بشكل مباشر كيف تؤثر هذه التغييرات على المرضى، فإنها تضع الأساس لجعل الأدوية الصعبة الاستعمال أكثر قابلية للاستخدام وباستخدام مذيبات أقل ضررًا، مما يفيد تطور الأدوية والاستدامة البيئية.

الاستشهاد: Albariqi, A.H., Alzhrani, R.M., Alghamdi, M.A. et al. Advanced simulation and numerical evaluation of pharmaceutical solubility estimation under supercritical processing using artificial intelligence computations. Sci Rep 16, 15099 (2026). https://doi.org/10.1038/s41598-026-45225-6

الكلمات المفتاحية: ذوبانية الدواء, ثاني أكسيد الكربون فوق الحرجة, التعلم الآلي, عمليات الأدوية, جليبنكلامايد