Oinuddin Syed, Ph. D.

Wockardt UK – Institute of Management Technology, India

Gần đây một nhà nghiên cứu - phát triển (R&D: Research and Development) dược phẩm đã đặt ra một câu hỏi mà nhiều nhà khoa học đang suy nghĩ.

Đó là vấn đề: Liệu A.I. có thể dự đoán chính xác ảnh hưởng của “đa yếu tố” (multifactorial)  trong nghiên cứu - phát triển  dược phẩm hay không?  Ví dụ, A.I. có thể xác định các thông số tốt nhất cho một lô thuốc 300 kg khi nâng cấp từ  các thông số của một lô 50 kg thực hiện trên dây chuyền thiết bị khác không? A.I. có thể dự đoán ảnh hưởng của thành phần công thức và xác định thành phần nào trong công thức là nguyên nhân gây ra thất bại trong thử nghiệm độ ổn định, thậm chí trước khi tiến hành thử nghiệm?

Đây là những câu hỏi mà hầu hết mọi người hiểu sai về vai trò của A.I. trong nghiên cứu - phát triển dược phẩm.

Cần nhấn mạnh rằng, hiện nay A.I. không thể thay thế tư duy khoa học của con người, nhưng có thể hỗ trợ và củng cố đáng kể, đặc biệt là khi kết hợp với các nguyên tắc QbD (Quality by Design) và DoE (Design of Experiment).

Thực tế, A.I. không thể dự đoán trực tiếp kết quả sản xuất một lô thuốc 300 kg chỉ dựa trên thành công của lô 50 kg, đặc biệt khi các yếu tố về thiết bị, lực cắt, truyền nhiệt và động lực trộn trong quá trình sản xuất thay đổi. Nâng  quy mô của một lô thuốc được điều chỉnh bởi các thông số kỹ thuật thực tế chứ không phải chỉ đơn thuần dựa vào các thông số thu được từ các lô thử nghiệm pilot.

Tuy nhiên, A.I. có thể giúp xác định các xu hướng và mối quan hệ trên dữ liệu đa yếu tố như: thành phần công thức sản phẩm, các thông số quy trình, các lỗi đã xẩy ra trong lịch sử quá trình thực nghiệm, kết quả độ ổn định và sự thay đổi giữa các lô sản phẩm mà con người có thể bỏ sót do khối lượng dữ liệu quá lớn.

Đối với các lỗi về độ ổn định, A.I. không thể đảm bảo dự đoán trước khi thử nghiệm, nhưng có thể làm nổi bật các kết hợp rủi ro cao như thuộc tính của nguyên liệu (API: Active Pharmaceutical Ingredient), sự thay đổi tá dược, tính nhạy cảm của nguyên liệu với độ ẩm, tương tác giữa thuốc với bao bì đóng gói và sự phức tạp của quy trình, miễn là có đủ dữ liệu lịch sử và cấu trúc.

A.I hoạt động tốt nhất như một công cụ dự đoán rủi ro và hỗ trợ ra quyết định. Cần thấy rằng A.I. không phải là người ra quyết định. Nó có thể gợi ý xác suất, đánh giá và xếp hạng rủi ro và những nguyên nhân cốt lõi có thể xảy ra, nhưng kết luận khoa học cuối cùng phải thuộc về các chuyên gia nghiên cứu - phát triển và thiết lập quy trình.

Theo quan điểm của tôi, mô hình mạnh nhất là sự kết hợp: “Kiến thức khoa học của  người nghiên cứu kết hợp với công cụ QbD (Quality by Design), DoE (Design of Experiment) và  phân tích A.I”.

Khi bốn yếu tố này được tích hợp, A.I. sẽ trở thành một công cụ rất mạnh mẽ để tối ưu hóa các thử nghiệm, giảm số lượng các thử nghiệm theo kiểu “thử - sai” (test and error), dự đoán các lĩnh vực rủi ro cao, hỗ trợ các quyết định mở rộng quy mô và cải thiện kết quả “đúng ngay lần đầu” (right - first - time).

Chỉ riêng A.I., mà không có hiểu biết sâu về nghiên cứu thiết kế thành phần công thức thuốc, kết quả sẽ luôn bị hạn chế.

Vì vậy, A.I. dù có tiềm năng mạnh mẽ trong hoạt động nghiên cứu - phát triển, nhưng chỉ là một yếu tố hỗ trợ trí thông minh của con người, không phải là sự thay thế vai trò của nhà nghiên cứu