از ساخت نانوذرات دارویی با الگوی نانوامولسیون تا پیش‌بینی خواص مولکولی با یادگیری ماشین
رساندن داروهایی که حلالیت کمی در آب دارند، از طریق دستگاه گوارش به جریان خون، همچنان یکی از دشوارترین چالش‌ها در توسعه داروهاست. سرمقاله‌ای که ۱۰ سپتامبر ۲۰۲۶ در مجله AAPS Open منتشر شد، به معرفی لوکاس آتیا، مهندس شیمی‌ای می‌پردازد که در پژوهش دکتری خود در مؤسسه فناوری ماساچوست (MIT) این مشکل را از منظر طراحی فرمولاسیون بررسی کرد و سپس به حوزه یادگیری ماشین برای کشف دارو روی آورد. آتیا که خود نویسنده این سرمقاله است، مسیر پژوهشی‌اش را از مهندسی نانوذرات دارویی در هیدروژل‌ها تا ساخت مدل‌های پیش‌بینی خواص مولکولی دنبال می‌کند و تصویری دقیق از چگونگی پیوند آزمایش، شبیه‌سازی و مدل‌سازی مبتنی بر داده در پژوهش‌های نوین فرمولاسیون ارائه می‌دهد.
چالشی که آتیا در پی حل آن بود، به‌خوبی شناخته شده است. بسیاری از نامزدهای دارویی با مولکول‌های کوچک، ماهیتی چربی‌دوست دارند؛ به این معنا که به‌خوبی در آب حل نمی‌شوند. در نتیجه، فراهمی زیستی پایین پس از مصرف خوراکی همچنان مانعی مهم در توسعه داروهاست. هرچه اندازه و پیچیدگی مولکول‌های نامزد دارویی بیشتر شود، دستیابی به فراهمی زیستی مناسب بیش از پیش به مهندسی فرمولاسیون وابسته می‌شود، نه بازطراحی خود مولکول دارو. یکی از موفق‌ترین راهبردها در این زمینه، کوچک‌سازی ذرات است که امکان تجویز خوراکی داروهایی مانند سیرولیموس، با نام تجاری راپامون (Rapamune)، و آپرپیتانت، با نام تجاری اِمِند (Emend)، را فراهم کرده است.
بااین‌حال، تولید نانوفرمولاسیون‌های دارویی نیز دشواری‌های خاص خود را دارد. روش غالب بر عملیات فرایندی پرهزینه و زمان‌بر، مانند نانوسایش، متکی است. این روش به زمان ماند طولانی نیاز دارد، بازده انرژی آن کمتر از دو درصد است و حتی ممکن است پایداری نانوذرات دارویی‌ای را که قرار است تولید کند، کاهش دهد. در مقابل، روش‌های موسوم به «رویکرد از پایین به بالا» نانوذرات دارویی را مستقیماً ایجاد و پایدار می‌کنند و از مزایای مواد جانبی فرمولاسیون هنگام جامدشدن ذرات بهره می‌برند. پژوهش دکتری آتیا بر یکی از این روش‌ها، یعنی قالب‌گیری با نانوامولسیون، متمرکز بود. در این فرایند، نانوامولسیونی حاوی دارو در محلول یک پلیمر ژل‌شونده پراکنده می‌شود. سپس با ژل‌شدن محلول، قطرات نانومتری در شبکه هیدروژل تثبیت می‌شوند و در مرحله خشک‌کردن، نانوذرات جامد دارو به‌طور هم‌زمان تشکیل می‌شوند و درون یک ماتریس پلیمری پایداری می‌یابند.
پایه‌های این فناوری در پژوهش‌های پیشین گروه پاتریک اس. دویل، استاد راهنمای آتیا در مؤسسه فناوری ماساچوست، بنا شده بود. مطالعات قبلی سازوکار جداسازی قطرات و بلورینگی محدودشده درون هیدروژل را مشخص کرده و کاربردپذیری مواد ژل‌شونده جدید را نشان داده بودند. بااین‌حال، روابط میان ساختار، خواص و فرایند تولید هنوز به‌اندازه کافی بررسی نشده بود. همچنین، کاربرد این روش تنها برای دو ماده فعال آب‌گریزِ مدل، یعنی فنوفيبرات و ایبوپروفن، و با استفاده از یک حلال، یعنی آنیزول، نشان داده شده بود. رساله دکتری آتیا این خلأها را از طریق دو محور پژوهشی مکمل بررسی کرد: نخست، شناخت روابط ساختار، خواص و فرایند که رفتار سامانه را تعیین می‌کنند؛ و دوم، تعمیم روش قالب‌گیری با نانوامولسیون به ترکیبات شیمیایی جدید.
محور نخست به بررسی پرسش‌های بنیادی درباره امکان کنترل ویژگی‌های ذرات تولیدشده با این روش اختصاص داشت. آزمایش‌ها نشان دادند که میزان بلورینگی نانوذرات فنوفيبرات به غلظت سورفکتانت در نانوامولسیون اولیه وابسته است. شبیه‌سازی‌های دینامیک مولکولی علت این پدیده را روشن کردند: سورفکتانت سطح نانوکریستال را از برهم‌کنش‌های ناپایدارکننده با پلیمر محافظت می‌کند. یکی از یافته‌های روش‌شناختی مهم این پژوهش آن بود که شبیه‌سازی‌های کلاسیک دینامیک مولکولی آن‌قدر طولانی نبودند که رویدادهای بلورینگی را مستقیماً ثبت کنند؛ بااین‌حال، نوسان‌های کوتاه‌مدت بلور در مقیاس زمانی نانوثانیه، پیش‌بینی‌کننده میزان بلورینگی مشاهده‌شده در آزمایش‌ها بودند. این نتیجه نشان می‌دهد که نوسان‌های کوتاه‌مدت در شبیه‌سازی می‌توانند معیاری محاسباتی برای پیش‌بینی نتیجه فرایندی باشند که مشاهده مستقیم آن به شبیه‌سازی‌های بسیار طولانی‌تر یا انجام آزمایش‌های کامل نیاز دارد.
در همین محور، پژوهشگران همچنین به دنبال شناسایی عوامل مادی‌ای بودند که بتوانند سرعت آزادسازی دارو از ذرات را کنترل کنند. آتیا و همکارانش روش قالب‌گیری با نانوامولسیون را با یک سامانه ذره‌ای هیدروژلی هسته‌ـ‌پوسته تطبیق دادند که هسته آن با گرما و پوسته آن از طریق ژل‌شدن یونی تشکیل می‌شد. این هیدروژل‌های هسته‌ـ‌پوسته که تمام اجزای فرایند تولیدشان در محیط آبی قرار داشت، امکان دستیابی به الگوهای متنوع آزادسازی کنترل‌شده را فراهم کردند؛ از جمله آزادسازی تأخیری، پایدار و متوالی مواد فعال متفاوت، به‌صورتی که زمان‌بندی آزادسازی قابل تنظیم باشد.
محور دوم پژوهش، فرایند را از ترکیبات مدل و حلال مورد استفاده در مطالعات قبلی فراتر برد. در یک مطالعه موردی با استفاده از کانابیدیول، کلوتریمازول و کوله‌کلسیفرول، گروه پژوهشی نشان داد که می‌توان اندازه ذرات این مواد فعال چربی‌دوست و از نظر شیمیایی متنوع را با دقت در محدوده ۱۰۰ تا ۱۰۰۰ نانومتر کنترل کرد. اهمیت دیگر این پژوهش، ارائه یکی از موارد نادر اعتبارسنجی کمّی رابطه اوستوالد–فروندلیش بود؛ نظریه‌ای کلاسیک که وابستگی حلالیت به اندازه ذرات را توصیف می‌کند. نتایج نشان داد که افزایش حلالیت نانوذرات کانابیدیول را می‌توان به‌خوبی با این نظریه توضیح داد. به گفته سرمقاله، این اعتبارسنجی علاوه بر اهمیتش در طراحی فرمولاسیون، به درک گسترده‌تر ترمودینامیک در مقیاس نانو نیز کمک می‌کند.
در جریان تعمیم این روش، یک مانع عملی مهم آشکار شد: هنگام سازگارکردن فرایند با یک ماده فعال جدید، یافتن حلال آلی مناسبی که بتواند آن ماده را در خود حل کند و به‌عنوان حامل به کار رود، به عامل محدودکننده سرعت پیشرفت کار تبدیل می‌شد. آتیا برای رفع این مشکل، مدل یادگیری ماشین FASTSOLV را توسعه داد؛ مدلی که حلالیت در حلال‌های آلی را پیش‌بینی می‌کند و روند انتخاب حلال را سرعت می‌بخشد. این مدل در مقایسه با مجموعه‌داده‌های عمومی حلالیت، به عملکردی در سطح پیشرفته‌ترین روش‌های موجود دست یافت. طبق سرمقاله، FASTSOLV از آن زمان به ابزاری پرکاربرد برای غربالگری و انتخاب محاسباتی حلالیت تبدیل شده است. در مجموع، سرمقاله استدلال می‌کند که رساله دکتری آتیا به تبدیل قالب‌گیری با نانوامولسیون به یک فناوری پلتفرمی برای تولید نانوذرات دارویی کمک کرد و پژوهش‌های دینامیک مولکولی او نیز درک عمومی‌تری از نحوه تأثیر مواد جانبی بر ساختار نانوذرات فراهم آوردند.
علایق پژوهشی آتیا در ادامه فعالیت‌هایش به سمت مدل‌سازی مبتنی بر داده برای پیش‌بینی خواص مواد شیمیایی و مواد پیشرفته سوق پیدا کرد. او در همکاری با آزمایشگاه ملی لارنس برکلی، در توسعه مدل‌های یادگیری عمیق برای پیش‌بینی خواص نوری نانوذرات مشارکت داشت. همچنین، در قالب یک همکاری صنعتی، به توسعه چارچوبی یادگیری ماشین مبتنی بر خلاف‌واقع کمک کرد که پیش‌بینی‌های مدل را هنگام استنتاج با مشاهدات پیشین سازگار می‌کند و به این ترتیب، دقت پیش‌بینی را در محدوده‌ای محلی از فضای شیمیایی یا مواد افزایش می‌دهد. این پروژه‌ها گستره مهارت‌هایی را بازتاب می‌دهند که او در دوره دکتری خود کسب کرد؛ مهارت‌هایی از فرمولاسیون نانو و مواد نرم گرفته تا شبیه‌سازی مولکولی و یادگیری ماشین.
آتیا اکنون دانشمند یادگیری ماشین در شرکت الای لیلی اند کامپنی (Eli Lilly and Company) است. او در بستر مشارکتی TuneLab مدل‌های پیش‌بینی خواص می‌سازد و این مدل‌ها را در اختیار شرکت‌های زیست‌فناوری همکار قرار می‌دهد تا در برنامه‌های کشف داروی خود به کار گیرند؛ تمرکز این مدل‌ها بر خواص فیزیکوشیمیایی و ویژگی‌های مرتبط با جذب، توزیع، متابولیسم و دفع دارو (ADME) است. هدف بلندمدت او توسعه ابزارهای شیمی‌اطلاعاتی و بازنمایی‌های یادگیری ماشین است که به‌طور مشخص برای علم فرمولاسیون طراحی شده باشند. او در سرمقاله یادآور می‌شود که متخصصان فرمولاسیون می‌دانند سامانه‌های پیچیده فرمولاسیون را نمی‌توان صرفاً مخلوطی ساده از اجزای تشکیل‌دهنده آن‌ها در نظر گرفت؛ بااین‌حال، بسیاری از رویکردهای فعلی یادگیری ماشین همچنان این سامانه‌ها را به همین شکل بازنمایی می‌کنند. از نظر او، در نظر گرفتن فیزیک پیچیده حاکم بر فرمولاسیون‌ها برای طراحی مؤثر فرمولاسیون بر پایه داده ضروری خواهد بود.
فعالیت‌های آتیا با جوایز متعددی نیز مورد تقدیر قرار گرفته است؛ از جمله جایزه تحصیلات تکمیلی لانگمویر در سمپوزیوم علوم کلوئید و سطح انجمن شیمی آمریکا در سال ۲۰۲۴، جایزه دانشجویی PD2M انجمن مهندسان شیمی آمریکا در سال ۲۰۲۵ و جایزه رهبران آینده ACS CAS در سال ۲۰۲۶. او همچنین از سال ۲۰۲۱ تا ۲۰۲۵ با حمایت بورسیه تحصیلات تکمیلی علوم محاسباتی وزارت انرژی آمریکا، دوره دکتری مهندسی شیمی خود را در مؤسسه فناوری ماساچوست گذراند.
موضوع پژوهش: قالب‌گیری با نانوامولسیون برای فرمولاسیون نانوذرات دارویی و پیش‌بینی خواص مولکولی با یادگیری ماشین
عنوان مقاله مرجع: معرفی لوکاس آتیا، پژوهشگر نوظهور: از مهندسی نانوذرات دارویی تا پیش‌بینی خواص مولکولی
منبع مقاله: Attia, L. (2026). Spotlighting rising researcher Lucas Attia: from drug nanoparticle engineering to molecular property prediction. AAPS Open, 12(1), مقاله ۶۳. https://doi.org/10.1186/s41120-026-00200-3
شناسه دیجیتال مقاله (DOI): 10.1186/s41120-026-00200-3
کلیدواژه‌ها: قالب‌گیری با نانوامولسیون، نانوذرات دارویی، فراهمی زیستی خوراکی، کوچک‌سازی ذرات، هیدروژل‌ها، شبیه‌سازی دینامیک مولکولی، رابطه اوستوالد–فروندلیش، یادگیری ماشین، پیش‌بینی حلالیت، FASTSOLV، علم فرمولاسیون، الای لیلی