האצת ניסוח תרופות בסופרקריטי באמצעות חיזוי מובן ומונע-נתונים של מסיסות תרופות

מדוע זה חשוב עבור תרופות עתידיות

תרופות מבטיחות רבות אינן מגיעות לחולים משום שאינן מתמוססות מספיק טוב כדי שהגוף יספוג אותן. המחקר שמאחורי מאמר זה חוקר כיצד לחזות במחשב כמה בקלות תרופות שונות נטמעות בסוג מיוחד של פחמן דו-חמצני הידוע כנוזל סופרקריטי. באמצעות כלים מודרניים מונעי-נתונים, המחברים שואפים לצמצם את הצורך בניסויים מעבדתיים יקרים של ניסוי וטעייה ולהאיץ את הדרך מהמולקולה לתרופה.

דרך נקייה יותר להכין תרופות קשות להתמוססות

פחמן דו-חמצני סופרקריטי מתנהג גם כנוזל וגם כגז, מה שמעניק לו יכולת יוצאת דופן להוביל ולעצב מולקולות תרופה. הוא יכול לסייע ביצירת חלקיקים זעירים, בעמיסת תרופות למערכות נשיאה, ולעשות זאת מבלי להשאיר לאחריו ממס רעיל. עם זאת, כל תרופה מגיבה אחרת: שינויים בלחץ, בטמפרטורה ובמבנה עצמו של התרופה יכולים לשנות במידה רבה את מידת המסיסות. מדידת השפעות אלה עבור כל תרכובת חדשה בציוד בלחץ גבוה היא איטית ויקרה, ולכן היכולת לחזות מסיסות מתוך נתונים היא אטרקטיבית מאוד למדעני ניסוח וליצרני תרופות.

בניית מנוע חיזוי חכם

כדי להתמודד עם אתגר זה, החוקרים אספו 252 מדידות איכותיות ממחקרים קודמים על שבע תרופות שונות מאוד, החל מתרופות לכיבים ולאפילפסיה ועד אנטיפונגלים ואנטי-ויראליים. עבור כל נקודת נתונים הם שרטטו תנאים בסיסיים כמו טמפרטורה ולחץ, לצד תכונות פשוטות של התרופה כגון משקל מולקולרי ונקודת התכה. לאחר מכן הם אימנו מספר מודלי למידת-מכונה כדי ללמוד את הקשר בין קלטים אלה לבין כמות התרופה שנמסה בפחמן דו-חמצני סופרקריטי. נעשה שימוש בשני סוגי מודלים עיקריים: רגרסיית וקטור תמיכה, שמנסה להתאים עקומה חלקה דרך הנתונים, ו-Extreme Gradient Boosting, שיטה מתקדמת מבוססת עצים המשלבת עצי החלטה קטנים רבים לניבוי חזק.

מאפשרים לאלגוריתמי חיפוש בהשראת הטבע לכוונן את המודלים

בחירת ההגדרות הפנימיות של המודלים, הידועות כהיפרפרמטרים, יכולה להשפיע במידה רבה על ביצועיהם. במקום לנחש או להשתמש בחיפושים רשתיים פשוטים, הצוות שאב רעיונות מהתנהגות בעלי חיים. הם יישמו שתי שיטות אופטימיזציה "מבודחות מהטבע": אחת מבוססת על אופן החיפוש והנדידה של אווזים אפורים, ואחרת בהשראת טקטיקות ההישרדות של לטאות מחודדות קרן. אלגוריתמים אלה בוחנים קומבינציות רבות של הגדרות מודל ומתקדמים בהדרגה לכאלה שמניבות את התחזיות המדויקות ביותר עם השגיאה המזערית. על ידי ניסוח הבעיה כמטרה מרובת-מטרות, המחברים איזנו בין שני יעדים בו-זמנית: צמצום שגיאת החיזוי והגדלת חלק השונות שהמודל מסביר, תוך התחשבות גם בזמן המחשוב.

להבין אילו מנופים חשובים יותר

מעבר לדיוק גלמי, המחברים רצו שהמודל יספק תובנה מדעית ולא יהיה "קופסה שחורה" מסתורית. הם השתמשו בשתי שיטות ניתוח משלימות כדי לבחון עד כמה כל גורם קלט משפיע על תוצאת המודל וכיצד הגורמים הללו מתקשרים זה עם זה. שתי הטכניקות הדגישו את הלחץ והמשקל המולקולרי כמנופים החשובים ביותר: לחץ גבוה בדרך כלל הגביר את המסיסות על ידי דחיסת הפחמן הדו-חמצני בצורה צפופה יותר, בעוד שמולקולות כבדות נטו להימס פחות בקלות. טמפרטורה ונקודת התכה שיחקו תפקידים עדינים יותר אך משמעותיים, בעיקר דרך אינטראקציה עם הלחץ ובהשתקפות כמה החומר הגבישי של התרופה מחזיק את עצמו. המודל גם שיכפל דפוסים תרמודינמיים ידועים, כגון איך שינוי בטמפרטורה יכול לחזק או להחליש את השפעת הלחץ בהתאם לטווח, מה שגורם לביטחון בכך שהוא לוכד התנהגות פיזית אמיתית ולא רק שינון נתונים.

מה המשמעות של התוצאות לפיתוח תרופות

המודל ההיברידי המדויק ביותר, ששילב את גישת ה-gradient-boosting עם מנתח הלטאה המחודדת, קיצץ את שגיאת החיזוי בכ-40 אחוז בהשוואה לקו בסיס לא מכוונן. הוא התאמה היטב לא רק לערכי המסיסות הממוצעים שנצפו בניסויים, אלא גם להתפזרותם ולמקרים הנדירים של מסיסות גבוהה. רמת הדיוק הזו משמעה שהמודל יכול לשמש ככלי סינון מקדים חזק: חוקרים יכולים לטוות טווחי לחץ וטמפרטורה על מחשב נייד לפני שיפנו לניסויים בלחץ גבוה, וכך להפחית בזבוז מאמצים על מועמדים חלשים. למרות שהשיטה עדיין תלויה במאגר נתונים מתון ובקבוצת תכונות תרופתיות מוגבלת, ושהגרסה המדויקת ביותר דורשת משאבי מחשוב ניכרים, המסגרת ממחישה כיצד למידת-מכונה מובן יכולה גם לזרז ניסוחים ללא ממסים וגם להעמיק את הבנתנו מדוע תרופות מסוימות נמסות טוב יותר מאחרות בפחמן דו-חמצני סופרקריטי.

ציטוט: Khafagy, ES., Lila, A.S.A. & Pishnamazi, M. Accelerating supercritical pharmaceutical formulation via interpretable data-driven prediction of drug solubility. Sci Rep 16, 11006 (2026). https://doi.org/10.1038/s41598-026-44161-9

מילות מפתח: מסיסות תרופות, פחמן דו-חמצני סופרקריטי, למידת מכונה, ניסוח תרופתי, מיחזור מבוסס-נתונים