סימולציה מתקדמת והערכה נומרית של חיזוי מסיסות בסינתזה על-ביקועית באמצעות חישובי בינה מלאכותית

מדוע זה חשוב לרפואות של העתיד

תרופות מודרניות רבות אינן מסיסות היטב במים, מה שעלול להגביל את הכמות של הגוף קולטן בפועל. יצרני תרופות פונים כיום לשיטות עיבוד ירוקות יותר המשתמשות בפחמן-דו-חמצני דחוס כדי לשפר את המסיסות. המחקר מציג כיצד בינה מלאכותית יכולה לסייע לחזות במחשב את התנהגות תרופת סוכרת במערכת כזו, וכך להפחית ניסויים מעשיים יקרים של ניסיון וטעייה במעבדה.

דרך נקייה יותר לייצור תרופות שקשה להמיסן

חברות תרופות מתעניינות ב-CO2 על-ביקועי, מצב מיוחד שבו ה-CO2 מתנהג גם כמו גז וגם כמו נוזל. במצב זה הוא יכול להפוך בעדינות תרופות לחלקיקים זעירים המתמוססים טוב יותר, מבלי להסתמך על ממסים אורגניים רעילים. אתגר מרכזי הוא לדעת מראש כמה מהתרופה יתמוסס בנוזל יוצא דופן זה בטמפרטורות ולחצים שונים. נוסחאות תרמודינמיות מסורתיות יכולות לעשות זאת, אך הן דורשות מדידות מפורטות לכל תרופה חדשה וקשה לשימוש חוזר על פני תרכובות רבות.

לתת למחשבים ללמוד מן הנתונים

החוקרים התמקדו בגליבנקלמיד, תרופה עם מסיסות מים נמוכה המשמשת לטיפול בסוכרת. הם אספו מדידות ניסיוניות קיימות של מידת התמוססות התרופה ב-CO2 על-ביקועי תחת שילובים רבים של טמפרטורה ולחץ, לצד הנתונים על צפיפות ה-CO2 בתנאים אלה. באמצעות מאגר נתונים זה הם אימנו שלושה סוגים של רשתות עצביות מלאכותיות כדי ללמוד את הקשר בין תנאי ההפעלה (טמפרטורה ולחץ) ושתי תוצאות חשובות לעיצוב: צפיפות ה-CO2 ומסיסות הגליבנקלמיד.

כיוונון חכם עם כלי בהשראת טבע

כדי להשיג את הביצועים הטובים ביותר מהרשתות העצביות השתמשו החוקרים בשיטת חיפוש הנקראת אלגוריתם ה-Dragonfly, בהשראת תנועת שדות היתושים/שפיריות בקבוצות בזמן ציד והגירה. במקום לבדוק בכוח גס כל הגדרה אפשרית של המודלים, האלגוריתם הזה מנחה את החיפוש לעבר שילובים מבטיחים של פרמטרים פנימיים. הוא מאזין לאיזון בין חקירת אפשרויות חדשות לבין שיפור אפשרויות טובות, מה שהכרחי כאשר הגדרות רבות מתקשרות זו עם זו בצורה מורכבת.

מה שלמדו המודלים על לחץ וחום

לאחר האימון כל שלושת המודלים הצליחו להתאים באופן קרוב את ערכי המסיסות והצפיפות הנמדדים, כאשר רשת יחסית פשוטה המכונה מחשב רב-שכבתי (multilayer perceptron) סיפקה את התחזיות המדויקות ביותר. המודלים אישרו כי העלאת לחץ וטמפרטורה בדרך כלל מגבירה את כמות הגליבנקלמיד שיכולה להימס ב-CO2 על-ביקועי, בעוד שטמפרטורה גבוהה נוטה להוריד את צפיפות הנוזל. על ידי בניית משטחים חלקים ומפות קונטור מתוך התחזיות הצליחו החוקרים להמחיש כיצד המשתנים האלה משפיעים זה על זה, ולזהות אזורים שבהם שינויים קטנים בלחץ או בטמפרטורה משפיעים חזק על המסיסות או שבהם הטרנד מתהפך בלחצים נמוכים.

מעבר לתרופה אחת ולכיוון עיצוב ירוק יותר

כדי לבדוק האם הגישה קשורה רק לגליבנקלמיד, בחנו המחברים את המודל בעל הביצוע הטוב ביותר על נתוני מסיסות עבור חמש תרופות נוספות בעלות מבנים שונים. המודל חוזה שוב את המסיסות ב-CO2 על-ביקועי בדיוק גבוה, מה שמרמז שהוא לוכד דפוסים כלליים במקום לזכור מקרה יחיד. משמעות הדבר היא שהוא יכול להפוך לכלי מעשי לסינון ולעיצוב תהליכים על-ביקועיים לתרופות חדשות באמצעות רוב נתונים קיימים ומעט ניסויים משלימים.

מה זה משמעותי עבור המטופלים והכוכב

באופן פשוט, העבודה הזאת מראה שמחשבים יכולים ללמוד לחזות כיצד תרופה תתמוסס בתהליך נקי המבוסס על CO2 רק מתוך מדידות עבר. זה מקל על המדענים למצוא תנאי פעולה שנותנים מסיסות טובה יותר בלי ניסוי וטעייה מיותר או בזבוז. אמנם המחקר לא בוחן ישירות כיצד שינויים אלה משפיעים על מטופלים, אך הוא מניח יסוד להפיכת תרופות קשות לשימוש לנגישות יותר ובאותו הזמן להפחתת ממסים מזיקים — תועלת לשני התחומים של פיתוח תרופות וקיימות סביבתית.

ציטוט: 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

מילות מפתח: מסיסות תרופות, CO2 על-ביקועי, למידת מכונה, עיבוד תרופתי, גליבנקלמיד