Research indexJournal article
Τεχνητή νοημοσύνη στη φαρμακευτική βιομηχανία: Ανάπτυξη Υπολογιστικού Μοντέλου Πρόβλεψης των Φαρμακοκινητικών Παραμέτρων Cmax και Tmax
Χατζημάνου
Aristotle University of Thessaloniki1 Jan 2026Open access
NobleIDark:/48914/w1/20261105/D7427109DOI10.26262/heal.auth.ir.374761
Τεχνητή νοημοσύνη στη φαρμακευτική βιομηχανία: Ανάπτυξη Υπολογιστικού Μοντέλου Πρόβλεψης των Φαρμακοκινητικών Παραμέτρων Cmax και Tmax
Χατζημάνου · Aristotle University of Thessaloniki · 2026
NobleIDark:/48914/w1/20261105/D7427109DOI10.26262/heal.auth.ir.374761
Free to read at the publisher
You can read the abstract here, or the full text at the publisher.
Abstract
Η φαρμακευτική έρευνα και ανάπτυξη χαρακτηρίζεται από υψηλό κόστος, μεγάλη χρονική διάρκεια καθώς και αυξημένα ποσοστά αποτυχίας, ιδιαίτερα στα αρχικά στάδια, όπου η έλλειψη ευνοϊκού φαρμακοκινητικού προφίλ αποτελεί συχνό λόγο απόρριψης υποψήφιων ενώσεων. Στο πλαίσιο αυτό, η έγκαιρη και αξιόπιστη πρόβλεψη κρίσιμων φαρμακοκινητικών παραμέτρων, όπως η μέγιστη συγκέντρωση στο πλάσμα (Cmax) και ο χρόνος επίτευξής της (Tmax), αποτελεί καθοριστικό παράγοντα για τη βελτιστοποίηση της διαδικασίας ανακάλυψης και ανάπτυξης φαρμάκων. Η παρούσα διπλωματική εργασία διερευνά τη δυνατότητα αξιοποίησης μεθόδων τεχνητής νοημοσύνης και ειδικότερα επιβλεπόμενης μηχανικής μάθησης, για την ανάπτυξη υπολογιστικών μοντέλων πρόβλεψης των παραμέτρων Cmax και Tmax σε φαρμακευτικές ουσίες που χορηγούνται από το στόμα. Η μεθοδολογία της μελέτης βασίστηκε στη δημιουργία και ανάλυση συνόλου δεδομένων εγκεκριμένων φαρμάκων, το οποίο περιλάμβανε φυσικοχημικά χαρακτηριστικά, φαρμακοτεχνικές παραμέτρους και πληροφορίες χορήγησης, όπως η δόση και η φαρμακοτεχνική μορφή. Ακολούθησα εκτενής προεπεξεργασία των δεδομένων, περιγραφική και διερευνητική ανάλυση, καθώς και μετασχηματισμός των μεταβλητών όπου κρίθηκε απαραίτητο. Για την πρόβλεψη των φαρμακοκινητικών παραμέτρων εφαρμόστηκαν και συγκρίθηκαν πολλαπλοί αλγόριθμοι μηχανικής μάθησης, όπως γραμμικά μοντέλα παλινδρόμησης, Random Forest, Support Vector Regression και Decision Trees, με αξιολόγηση της απόδοσής τους μέσω κατάλληλων μετρικών. Στο πλαίσιο της μοντελοποίησης, επιλέχθηκαν μεταβλητές που αποτυπώνουν τόσο το φυσικοχημικό προφίλ όσο και κρίσιμες συνθήκες χορήγησης και φαρμακοτεχνικής συμπεριφοράς, ώστε η πρόβλεψη των Cmax και Tmax να προσεγγίζει ρεαλιστικά τη διαδικασία απορρόφησης μετά από του στόματος χορήγηση. Ειδικότερα, συμπεριλήφθηκαν αριθμητικά χαρακτηριστικά όπως η δόση, το μοριακό βάρος, η λιποφιλικότητα, οι σταθερές ιονισμού, η διαλυτότητα, η τοπολογική πολική επιφάνεια, οι δότες/δέκτες δεσμών υδρογόνου, οι περιστρεφόμενοι δεσμοί, καθώς και μεταβλητές που σχετίζονται με τη στερεοχημική κατάσταση και τις διαμοριακές αλληλεπιδράσεις. Παράλληλα, ενσωματώθηκαν κατηγορικές μεταβλητές που επηρεάζουν άμεσα τον ρυθμό και την έκταση απορρόφησης, όπως η φαρμακοτεχνική μορφή, οι συνθήκες σίτισης, η ύπαρξη προφαρμάκου και η κρυσταλλική περιγραφή. Η ανάλυση των δεδομένων περιέλαβε περιγραφική στατιστική και διερευνητική απεικόνιση κατανομών, έλεγχο γραμμικών συσχετίσεων, καθώς και στοχευμένες παρεμβάσεις προεπεξεργασίας ώστε να διασφαλιστεί η ικανότητα σύγκρισης των μοντέλων και η σταθερότητα των εκτιμήσεων. Η επιλογή των παραπάνω μεταβλητών τεκμηριώνεται από τη φαρμακοκινητική θεωρία, καθώς συνδέονται μηχανιστικά με τη διάλυση, τον ιονισμό, τη μεμβρανική διαπερατότητα, την επίδραση της μορφής και της τροφής και, τελικά, με το προφίλ συγκέντρωσης–χρόνου που καθορίζει τις Cmax και Tmax. Ιδιαίτερη έμφαση δόθηκε στην ερμηνευσιμότητα των μοντέλων, μέσω τεχνικών Ερμηνεύσιμης Τεχνητής Νοημοσύνης (Explainable Artificial Intelligence), όπως τα Partial Dependence Plots και οι τιμές SHAP, προκειμένου να διερευνηθεί η συμβολή των επιμέρους μεταβλητών στην πρόβλεψη των παραμέτρων Cmax και Tmax. Τα αποτελέσματα ανέδειξαν τη σημαντική επίδραση παραμέτρων, όπως η δόση, η διαλυτότητα, η λιποφιλικότητα και η πολική επιφάνεια, επιβεβαιώνοντας την φαρμακοκινητική τους σημασία και την συμφωνία των μοντέλων με την θεωρία των φαρμάκων. Συμπερασματικά, η παρούσα εργασία καταδεικνύει ότι τα υπολογιστικά μοντέλα μηχανικής μάθησης μπορούν να αποτελέσουν αξιόπιστα εργαλεία πρώιμης πρόβλεψης φαρμακοκινητικών παραμέτρων, συμβάλλοντας στη μείωση του κόστους, του χρόνου και της ανάγκης εκτεταμένων πειραματικών μελετών. Η ενσωμάτωσή τους στη φαρμακευτική έρευνα δύναται να υποστηρίξει τη λήψη τεκμηριωμένων αποφάσεων και να ενισχύσει τη μετάβαση προς μία πιο αποδοτική και ψηφιακά υποστηριζόμενη διαδικασία ανάπτυξης φαρμάκων.