یادگیری ماشین چگونه طراحی سامانه‌های کاشتنی دارورسانی را متحول می‌کند

سامانه‌های کاشتنی دارورسانی (IDDS) زمانی عمدتاً به شیمی هوشمندانه پلیمرها و نحوه جای‌گذاری جراحی متکی بودند. اما مرور پژوهشی تازه‌ای که در مجله Frontiers in Biomaterials Science منتشر شده است، نشان می‌دهد که یادگیری ماشین اکنون در حال بازتعریف این حوزه است. این پژوهش که محققانی از مؤسسات داروسازی هند آن را هدایت کرده‌اند، بررسی می‌کند که الگوریتم‌های داده‌محور چگونه برای طراحی، بهینه‌سازی و شخصی‌سازی دستگاه‌های کاشتنی مورد استفاده قرار می‌گیرند؛ دستگاه‌هایی که طی چند ماه یا حتی چند سال دارو آزاد می‌کنند. تمرکز ویژه این بررسی بر چشم و گوش داخلی است. نویسندگان معتقدند یادگیری ماشین از ابزاری جانبی برای تحلیل داده‌ها به یکی از ارکان اصلی توسعه فرمولاسیون تبدیل شده است؛ فناوری‌ای که می‌تواند پیش از انجام حتی یک آزمایش، رفتار مواد، سینتیک آزادسازی دارو و حتی پاسخ درمانی مختص هر بیمار را پیش‌بینی کند.

این مرور ابتدا به اهمیت سامانه‌های کاشتنی دارورسانی می‌پردازد. روش‌های سنتی مصرف دارو از راه خوراکی، چه به شکل مایعات و چه به شکل پودر، همواره برای حفظ غلظت درمانی ثابت در محل دقیق اثر دارو با دشواری روبه‌رو بوده‌اند. ایمپلنت‌ها با آزادسازی موضعی و پیوسته دارو این مشکل را کاهش می‌دهند، عوارض جانبی سیستمیک را محدود می‌کنند و مقدار کل داروی موردنیاز برای درمان را پایین می‌آورند. نویسندگان این سامانه‌ها را به سه گروه کلی تقسیم می‌کنند: ایمپلنت‌های زیست‌تخریب‌پذیر و غیرزیست‌تخریب‌پذیر، سامانه‌های پمپ کاشتنی و گروه جدیدتری از دستگاه‌های غیرمتعارف. گروه سوم نمونه‌هایی مانند ایمپلنت‌های داخل‌مجرای ادراری برای درمان ناتوانی جنسی، لنزهای داخل‌چشمی برای گلوکوم و سامانه‌های سرامیکی هیدروکسی‌آپاتیت برای مقابله با عفونت‌های استخوانی را در بر می‌گیرد. هر گروه از نظر نحوه آزادسازی دارو، مدت اثر و نیاز احتمالی به خارج کردن جراحی، مزایا و محدودیت‌های خاص خود را دارد.

بر اساس این بررسی، انتخاب ماده یکی از مهم‌ترین مراحل طراحی ایمپلنت است؛ زیرا زیست‌سازگاری، استحکام مکانیکی، نحوه تخریب، ظرفیت بارگذاری دارو و سینتیک آزادسازی آن مستقیماً به ویژگی‌های ماده بستگی دارند. پلیمرهای زیست‌تخریب‌پذیر مانند پلی‌لاکتیک اسید، پلی‌گلیکولیک اسید و کوپلیمر آن‌ها، یعنی PLGA، تجزیه می‌شوند و محصولات حاصل از تجزیه آن‌ها از مسیر چرخه کربس در فرایندهای متابولیکی بدن پردازش می‌شوند؛ در نتیجه، نیازی به خارج کردن ایمپلنت با جراحی نیست. پلی‌کاپرولاکتون دیرتر تجزیه می‌شود و انعطاف‌پذیری مکانیکی بیشتری دارد؛ ویژگی‌هایی که آن را برای کاربردهای ارتوپدی و چشم‌پزشکی بلندمدت مناسب می‌کنند. پلیمرهای طبیعی مانند کیتوسان، آلژینات، ژلاتین، کلاژن، اسید هیالورونیک و فیبروئین ابریشم نیز زیست‌سازگاری بالا و ظرفیت مناسبی برای کمک به بازسازی بافت دارند، اما تغییرپذیری میان بچ‌های تولید و استحکام مکانیکی پایین‌تر از محدودیت‌های آن‌هاست. در مقابل، مواد غیرزیست‌تخریب‌پذیر مانند الاستومرهای سیلیکونی، پلی‌یورتان و اتیلن‌وینیل استات امکان آزادسازی قابل‌پیش‌بینی دارو را بر اساس انتشار، طی چند ماه یا چند سال فراهم می‌کنند؛ بااین‌حال، پس از پایان ذخیره دارو باید خارج شوند.

اهمیت زمانی این مرور در آن است که استدلال می‌کند یادگیری ماشین اکنون می‌تواند این طیف گسترده از مواد را بسیار کارآمدتر از روش سنتی آزمون‌وخطا در فرمولاسیون بررسی کند. نویسندگان یادآور می‌شوند که بین سال‌های ۲۰۱۰ تا ۲۰۱۷، تا ۹۰ درصد از درمان‌های جدید در کارآزمایی‌های بالینی شکست خوردند؛ دلایل این شکست‌ها شامل نامناسب بودن ویژگی‌های دارومانند، سمیت غیرقابل‌تحمل یا اثربخشی پایین بود. به باور آن‌ها، بهبود طراحی فرمولاسیون می‌تواند احتمال موفقیت را به‌طور معناداری افزایش دهد. الگوریتم‌های یادگیری ماشین که با داده‌های فیزیکوشیمیایی، زیستی و بالینی آموزش دیده‌اند، می‌توانند عملکرد فرمولاسیون، از جمله سینتیک آزادسازی دارو، رفتار زیست‌تخریب‌پذیری و زیست‌سازگاری را پیش از آغاز هرگونه سنتز آزمایشگاهی پیش‌بینی کنند. به گفته نویسندگان، این رویکرد یکپارچه روند بهینه‌سازی را سرعت می‌بخشد، حجم آزمایش‌های لازم را کاهش می‌دهد و امکان ساخت دستگاه‌های کاشتنی واقعاً متناسب با نیاز هر بیمار را فراهم می‌کند.

چشم یکی از دو نمونه محوری این مرور است. دارورسانی چشمی دشواری‌های شناخته‌شده‌ای دارد؛ سدهای محافظ چشم مانع نفوذ دارو می‌شوند و تخلیه سریع اشک، فرمولاسیون‌های متداولی مانند قطره‌های چشمی را به‌سرعت از سطح چشم می‌زداید. در نتیجه، دارو باید مرتب مصرف شود و پایبندی بیماران به درمان کاهش می‌یابد. سامانه‌های کاشتنی چشمی، از دستگاه پیشگام Ocusert برای درمان گلوکوم که شرکت ALZA آن را توسعه داد تا لنزهای مدرن داخل‌چشمی دارورسان، امکان آزادسازی موضعی و طولانی‌مدت دارو را فراهم می‌کنند. یادگیری ماشین با پیش‌بینی الگوی آزادسازی دارو، بهینه‌سازی فرمولاسیون و هندسه ایمپلنت و فراهم کردن امکان ساخت ایمپلنت‌های اختصاصی هر بیمار با چاپ سه‌بعدی، این حوزه را پیش می‌برد. نویسندگان همچنین به مهندسی پپتید با هدایت یادگیری ماشین اشاره می‌کنند که به تولید ترکیبات مزدوج چندکاره‌ای منجر می‌شود که به ملانین چشم متصل می‌شوند. این روش از یک رنگدانه طبیعی به‌عنوان مخزنی برای آزادسازی پایدار دارو بهره می‌گیرد و نیاز به تکرار دفعات مصرف را کاهش می‌دهد.

نمونه محوری دوم، ایمپلنت حلزونی گوش است. ایمپلنت‌های حلزونی درمان کم‌شنوایی حسی‌عصبی شدید تا عمیق را متحول کرده‌اند، اما وارد کردن آرایه الکترودی به‌وسیله جراحی ممکن است واکنش‌های التهابی، تشکیل بافت فیبروزی و حتی رشد استخوان جدید در اطراف دستگاه را برانگیزد. این واکنش‌ها امپدانس الکترود را افزایش می‌دهند، کارایی تحریک را کاهش می‌دهند و جراحی مجدد را پیچیده‌تر می‌کنند. ایمپلنت‌های حلزونی دارورسان که به‌طور پیوسته کورتیکواستروئیدهایی مانند دگزامتازون را در محل کاشت آزاد می‌کنند، با هدف مهار التهاب و فیبروز طراحی شده‌اند تا عملکرد حلزون گوش حفظ شود و نتایج بلندمدت بهبود یابد. یادگیری ماشین نیز با پیش‌بینی پیامدهای شنوایی، بهینه‌سازی برنامه‌ریزی الکترودها و تنظیم راهبردهای پردازش صدا بر اساس ویژگی‌های شنوایی هر فرد، به این فرایند کمک می‌کند. هدف نهایی، بهبود درک گفتار، به‌ویژه در محیط‌هایی است که شنیدن در آن‌ها دشوار است.

این مرور، فراتر از چشم و گوش داخلی، سامانه‌های کاشتنی دارورسانی را در چارچوب گسترده‌تر پزشکی دقیق بررسی می‌کند؛ رویکردی که می‌کوشد درمان را با ویژگی‌های ژنتیکی، محیطی و سبک زندگی هر بیمار تطبیق دهد. الگوریتم‌هایی مانند جنگل تصادفی، درخت تصمیم، ماشین بردار پشتیبان و شبکه‌های عصبی می‌توانند داده‌های ژنومیک، پروتئومیک، متابولومیک، تصویربرداری پزشکی و پرونده‌های الکترونیکی سلامت را با یکدیگر ترکیب کنند تا روند پیشرفت بیماری را پیش‌بینی و الگوی آزادسازی دارو را برای هر بیمار بهینه کنند. نویسندگان استدلال می‌کنند که همگرایی کلان‌داده‌های زیست‌پزشکی، ایمپلنت‌های هوشمند و تحلیل‌های مبتنی بر هوش مصنوعی، پذیرش درمان‌های شخصی‌سازی‌شده در مراقبت‌های بالینی روزمره را سرعت خواهد بخشید؛ مشروط بر آنکه زیرساخت‌های داده‌ای متناسب با این پیشرفت توسعه یابند.

نویسندگان در عین حال، موانع موجود بر سر راه پذیرش گسترده بالینی این فناوری را صریحاً بررسی می‌کنند. مدل‌های یادگیری ماشین اغلب بر پایه مجموعه‌داده‌های کوچک، گذشته‌نگر یا متعلق به یک مرکز درمانی ساخته می‌شوند؛ داده‌هایی که ممکن است پیچیدگی زیستی و تنوع بیماران در محیط واقعی بالینی را به‌خوبی بازتاب ندهند. ناهمگونی داده‌ها، بیش‌برازش مدل، نبود اعتبارسنجی خارجی کافی و فقدان مجموعه‌داده‌های استاندارد، همگی قابلیت اعتماد و تعمیم‌پذیری مدل‌ها را تضعیف می‌کنند. نویسندگان همچنین به موانع نظارتی اشاره می‌کنند و یادآور می‌شوند که نهادهایی مانند سازمان غذا و داروی ایالات متحده و آژانس دارویی اروپا، الگوریتم‌های شفاف، اعتبارسنجی بالینی مستحکم و عملکرد باثبات در گروه‌های جمعیتی متنوع را مطالبه می‌کنند. حفظ حریم خصوصی داده‌ها نیز پیچیدگی دیگری به همراه دارد؛ پیش از به‌اشتراک‌گذاری داده‌ها میان مراکز پژوهشی، باید هویت افراد از داده‌ها حذف شود و الزامات چارچوب‌هایی مانند مقررات عمومی حفاظت از داده‌های اتحادیه اروپا (GDPR) رعایت شود.

برای رفع این کاستی‌ها، نویسندگان مجموعه‌ای از دستورالعمل‌های گزارش‌دهی برای پژوهش‌های یادگیری ماشین در حوزه سامانه‌های کاشتنی دارورسانی پیشنهاد می‌کنند. این دستورالعمل‌ها باید منبع داده‌ها، حجم نمونه، شیوه انتخاب ویژگی‌ها، نوع الگوریتم، ابرپارامترها، نحوه تقسیم داده‌ها، روش‌های اعتبارسنجی و معیارهای عملکرد را پوشش دهند. معیارهای پیشنهادی شامل دقت کلی، دقت مثبت، فراخوانی، امتیاز F1 و مساحت زیر منحنی مشخصه عملکرد گیرنده (ROC) است. آن‌ها همچنین بر ضرورت هوش مصنوعی توضیح‌پذیر تأکید می‌کنند تا پزشکان بتوانند پیش‌بینی‌های مدل‌ها را درک کنند و به آن‌ها اعتماد داشته باشند. ایجاد مجموعه‌داده‌های استاندارد با مشارکت چند مرکز نیز می‌تواند استحکام مدل‌ها را افزایش دهد. این مرور در چشم‌انداز آینده به ایمپلنت‌های هوشمندی اشاره می‌کند که حسگرهای زیستی، ارتباط بی‌سیم و تجهیزات الکترونیکی کم‌مصرف را برای پایش مداوم وضعیت فیزیولوژیک و تنظیم سازگارانه دارورسانی با یکدیگر ترکیب می‌کنند. همچنین، روش‌های نوظهوری مانند ژن‌درمانی و اپتوژنتیک ممکن است در آینده از محدودیت‌های تحریک الکتریکی برای بازگرداندن عملکردهای حسی فراتر بروند.

پیام کلی این مرور، خوش‌بینی محتاطانه است. به نتیجه‌گیری نویسندگان، یادگیری ماشین هم‌اکنون شیوه طراحی، آزمایش و اصلاح سامانه‌های کاشتنی دارورسانی را متحول کرده است؛ این فناوری زمان توسعه را کاهش می‌دهد و سطحی از شخصی‌سازی را ممکن می‌سازد که دستیابی به آن تنها با روش‌های متعارف علم فرمولاسیون دشوار بود. ایمپلنت‌های چشمی و حلزونی، به‌دلیل محدودیت‌های آناتومیکی مشخص و شاخص‌های بالینی روشن، در حال حاضر مناسب‌ترین نمونه‌ها برای اثبات عملی این رویکرد هستند. بااین‌حال، به گفته نویسندگان، همین اصول داده‌محور را می‌توان به حوزه‌های ارتوپدی، قلب‌وعروق و سرطان‌شناسی نیز گسترش داد؛ موضوعی که سامانه‌های کاشتنی دارورسانی مبتنی بر یادگیری ماشین را به یکی از فناوری‌های زیربنایی نسل آینده پزشکی دقیق تبدیل می‌کند.

موضوع پژوهش: توسعه فرمولاسیون سامانه‌های کاشتنی دارورسانی با استفاده از یادگیری ماشین برای پزشکی دقیق.

عنوان مقاله: توسعه فرمولاسیون سامانه‌های کاشتنی دارورسانی با استفاده از یادگیری ماشین برای پزشکی دقیق: از ایمپلنت‌های چشمی و حلزونی تا درمان‌های شخصی‌سازی‌شده.

منابع مقاله: Ganvenwaer, R., Pradhan, S., Jadhav, K., Vinchurkar, K., & Doke, R. R. (2026). Machine learning-enabled formulation development of implantable drug delivery systems for precision medicine: from ocular and cochlear implants to personalized therapeutics. Frontiers in Biomaterials Science, 5, مقاله شماره 1927008. https://doi.org/10.3389/fbiom.2026.1927008

اعتبار تصویر: تولیدشده با هوش مصنوعی.

شناسه دیجیتال مقاله (DOI): 10.3389/fbiom.2026.1927008

کلیدواژه‌ها: یادگیری ماشین، سامانه‌های کاشتنی دارورسانی، پزشکی دقیق، ایمپلنت‌های چشمی، ایمپلنت‌های حلزونی، پلیمرهای زیست‌تخریب‌پذیر، سینتیک آزادسازی دارو، PLGA، ایمپلنت‌های هوشمند، مدل‌سازی پیش‌بینانه، درمان‌های شخصی‌سازی‌شده، چالش‌های نظارتی.

منبع خبر: ترزا اودوم، ۱۶ اکتبر ۲۰۲۶، «یادگیری ماشین چگونه طراحی سامانه‌های کاشتنی دارورسانی را متحول می‌کند»، Scienmag.