ضمیمه دانش روزنامه اطلاعات نوشت: علوم جدید زاییده تخیل نیستند؛ یکپارچگی آنها با هم در پیوستگی با ابزارها و تجهیزات هوشمند پژوهشگران و دانشمندان را به‌سوی کشف‌های کاربردی و ارزشمند هدایت می‌کند. نانوفناوری و هوش مصنوعی که یک دهه از تولد آن می‌گذرد در کنار هم می‌توانند شاخه‌های مختلف علم مدرن را متحول کنند.

سیستم‌های دارورسانی هوشمند را در نظر بگیریم که بر مبنای نانوذرات هستند و از لحاظ شکل، اندازه، ظرفیت حمل دارو و بار الکتریکیِ سطحی منحصربه‌فرد هستند. آن‌ها آزادانه در سراسر بدن حرکت می‌کنند و داروها را درست به محلی که منشأ بروز بیماری است می‌رسانند.

با دارورسانی هوشمند نه‌فقط دوز دقیق‌تر دارو وارد بدن می‌شود بلکه از بروز عوارض جانبی در اعضای سالم بدن که هدف درمان نیستند جلوگیری می‌شود. با وجود این‌که طراحی سیستم‌های دارورسانی هنوز به حدی نرسیده است که عملکردی بی‌نقص و دقیق داشته‌باشند، پژوهشگران بی‌وقفه تلاش می‌کنند چنین سیستم هوشمندی را بسازند.

در پزشکی نانو، نانوذراتی وجود دارند که خواص فیزیکی و شیمیایی آنها بر این‌که در نهایت چه اتفاقی برایشان می‌افتد تأثیر زیادی دارند. یک نکته در این میان کاملاً روشن است: آن‌چه موجب می‌شود همه‌چیز خوب پیش برود طراحی درست است. برای مثال، از طلا و دیگر نانوذرات فلزی به طورگسترده در روش پرتونگارانه‌ اِم آر آی استفاده می‌شود. اگر این نانوذرات به‌خوبی و حساب شده ساخته نشوند، عوارض جانبی در بدن بیمار ایجاد خواهند کرد.

ذرات پلیمری مثل پلی اسید لاکتیک گلیکولیک سبب رهاسازی پایدار نانوداروها می‌شوند و لیپوزوم‌ها ساخت واکسن‌های اِم آر اِن اِی را امکان‌پذیر کرده‌اند. اندازه‌ ذرات در اثرگذاری روی فرآیندهای زیستی تأثیر به سزایی دارد. نانوذراتی کوچک‌تر از ۵۰ نانومتر می‌توانند از سدهای فیزیولوژیکی مثل سد خونی مغزی عبور کنند.

نانوذرات بزرگ‌تر از ۲۰۰ نانومتر را کبد و طحال به‌سرعت از بدن خارج می‌کنند. بار سطحی ذرات نیز در میزان پایداری و چگونگی انتشار ذرات در بدن نقشی اساسی ایفا می‌کند. احتمال متراکم شدن و به‌هم پیوستن ذراتی که بار الکتریکی منفی دارند (منفی ۳۰ تا منفی ۵۰ mV) کمتر است و در نتیجه نیمه‌عمر زیستی بیشتری دارند. برعکس، ذراتی که بار الکتریکی مثبت دارند (مثبت ۳۰ mV) به‌راحتی به غشاهای سلولی می‌چسبند اما سمیت ایجاد می‌کنند و دستگاه ایمنی بدن می‌تواند آن‌ها را شناسایی کند.

یکی از مشکلاتی که داروسازان به دنبال کشف داروهای جدید با آن مواجه هستند عدم حلالیت سریع داروها در آب است که سبب می‌شود بیماران دوز بالاتری از داروها را مصرف کنند. یکی از تکنیک‌هایی که برای افزایش حلالیت داروها ابداع شده نانونیزاسیون است که به دلیل ویژگی‌های بسیار خوبی مثل سادگی و مقرون‌به‌صرفه بودن می‌تواند گزینه خوبی برای تجارتی شدن باشد.

این روش بر پایه‌ کاهش اندازه‌ ذرات در داروهایی است که به شکل جامد مصرف می‌شوند. در این رویکرد که آسیاب کردن مرطوب از تکنیک‌های طبقه‌بندی شده آن است، پارامترهای مهمی مثل کنترل ابعاد و ثبات در آماده‌سازی نانوذرات با کیفیت نقش دارند. به‌تازگی از حلال‌های بسیار مهمی در نانونیزاسیون ذرات دارویی استفاده می‌شود تا خواصی مثل فراهمی زیستی آنها در محیط‌های آبی را بهتر کنند. این روش کم‌هزینه و سازگار با محیط زیست است و با حلال‌های ارزان قابل‌اجرا است.

مدل‌های یادگیری ماشین به‌عنوان ابزارهای قدرتمندی برای تحلیل داده و مدل‌سازی پیشگویانه در حوزه‌ داروسازی روی کار آمده‌اند. در دهه‌ گذشته، یادگیری ماشین پیشرفت قابل توجهی داشته است؛ تعداد زیادی الگوریتم و مدل با هدف از میان برداشتن چالش‌های گسترده در دارورسانی ساخته شدند.

برای بهتر کردن حلالیت دارویی کربن دی‌اکسید فوق‌بحرانی پژوهشگران از مدل‌های یادگیری ماشینی مثل ادراک چندلایه و حداکثر گرادیان تقویتی استفاده می‌کنند. این مدل‌ها با الگوریتم بهینه‌سازی فایرفلای آموزش‌دیده و بهینه‌سازی شده‌اند. حداکثر گرادیان تقویتی یک تکنیک یادگیری است که به دلیل کارایی چشمگیریش بسیار مورد توجه قرار گرفته است.حتی کوچک‌ترین تغییرات در پتانسیل زتا (پتانسیل الکتریکی در تعلیق کلوئیدی) یا شیمی سطحی نانوذرات می‌توانند تأثیر زیادی روی عملکرد نانوذرات آماده به مأموریت داشته‌باشند.

این درست همان جایی است که هوش مصنوعی به‌عنوان ابزاری کارآمد وارد عمل می‌شود. هوش مصنوعی قادر است پایگاه‌های داده گسترده یافته‌های آزمایشگاهی، شبیه‌سازی‌ها و کارآزمایی‌های بالینی را تحلیل کند و پیش‌بینی‌هایی فوق‌العاده دقیق درباره‌ عملکرد نانوذرات ارائه دهد. به‌طورکلی، کاربرد هوش مصنوعی در فرآیند فرمولاسیون نانوذرات موجب بالا رفتن کارایی، کاهش عوارض جانبی آزمایش‌های متداول و تسریع نوآوری در این بخش از دانش پزشکی می‌شود.

سازگارپذیری یکی از مهم‌ترین جنبه‌های هوش مصنوعی است. روش‌های یادگیری نظارت شده مثل مدل جنگلی تصادفی می‌توانند الگوها را در بسیاری از انواع مجموعه داده‌ها که نسبتاً پیچیده هستند شناسایی کنند. به‌عنوان مثال، این الگوریتم‌ها می‌توانند پیش‌بینی‌های بسیار دقیقی از تشکیل پروتئین کرونا بر سطح نانوذرات نقره ارائه دهند. مدل‌هایی این‌چنینی در آماده‌سازی نانوذراتی مفید هستند که خود را از تیررس سیستم ایمنی بدن مخفی نگه می‌دارند. دلیل این توانایی تا حد زیادی تعادل بین ابعاد نانوذرات و بار الکتریکی سطحی آنها است.

تلفیق هوش مصنوعی و پزشکی نانو هم دارای جنبه‌های مثبت است و هم جنبه‌های منفی. یکپارچگی این دو می‌تواند سطح کیفی سلامت انسان‌ها را متحول کند اما مسائل اخلاقی و علمی نباید مورد غفلت قرار گیرند. اگر پژوهشگران می‌خواهند شاهد مراقبت سلامت و بهداشت و درمان ایمن‌تر، هوشمندتر و فراگیرتر باشند، باید با کاستی‌ها و اِشکالات این تحول بزرگ با حس مسئولیت و برنامه‌ریزی مناسب برخورد کنند.