Mô hình học máy dự đoán tương tác dược chất - tá dược: Nghiên cứu ĐH Dược HN

Mô hình dự đoán tương tác thuốc-tá dược của Nguyễn Thành Long: Ứng dụng học máy giúp tối ưu hóa công thức thuốc & giảm tác dụng phụ.

• Tác giả: Nguyễn Thành Long
• Người hướng dẫn: Nguyễn Văn Phương
• Trường học: Trường Đại học Dược Hà Nội
• Chuyên ngành: Dược sĩ
• Đề tài: Xây dựng mô hình dự đoán tương tác dược chất - tá dược bằng phương pháp học máy
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Tóm tắt

I. Dự đoán tương tác thuốc Tổng quan và tầm quan trọng

Dự đoán tương tác thuốc là một lĩnh vực quan trọng trong dược lý học và y tế. Việc kết hợp nhiều loại thuốc hoặc thuốc với tá dược có thể dẫn đến tác dụng phụ của thuốc, tác dụng không mong muốn của thuốc, làm giảm hiệu quả điều trị, hoặc thậm chí gây nguy hiểm cho bệnh nhân. Các phương pháp truyền thống để phát hiện tương tác thuốc thường tốn thời gian, chi phí và không phải lúc nào cũng hiệu quả. Sự ra đời của các mô hình học máy đã mở ra một hướng tiếp cận mới, hứa hẹn khả năng dự đoán tương tác thuốc nhanh chóng, chính xác và tiết kiệm chi phí hơn. Việc phát triển và ứng dụng các mô hình học máy trong dự đoán tương tác thuốc có ý nghĩa to lớn trong việc nâng cao an toàn thuốc, tối ưu hóa phác đồ điều trị và cải thiện chăm sóc sức khỏe cho bệnh nhân. Theo nghiên cứu của tác giả Nguyễn Thành Long, việc xây dựng mô hình học máy dự đoán tương tác thuốc là một lĩnh vực đầy tiềm năng. Hệ thống hỗ trợ quyết định lâm sàng đang ngày càng được quan tâm và phát triển dựa trên nền tảng của phân tích dữ liệu thuốc và khai phá dữ liệu dược phẩm.

1.1. Tại sao cần dự đoán tương tác thuốc Nguy cơ tiềm ẩn

Việc sử dụng đồng thời nhiều loại thuốc (đa trị liệu) ngày càng trở nên phổ biến, đặc biệt ở người cao tuổi và bệnh nhân mắc nhiều bệnh mãn tính. Điều này làm tăng nguy cơ xảy ra tương tác thuốc, có thể dẫn đến các hậu quả nghiêm trọng như giảm hiệu quả điều trị, tăng độc tính của thuốc, xuất hiện tác dụng phụ của thuốc, hoặc thậm chí tử vong. Việc chẩn đoán tương tác thuốc và phòng ngừa tương tác thuốc trở nên vô cùng quan trọng để đảm bảo an toàn cho bệnh nhân. Các cơ sở dữ liệu tương tác thuốc và hệ thống hỗ trợ quyết định lâm sàng có thể giúp bác sĩ và dược sĩ nhận biết và quản lý tương tác thuốc hiệu quả.

1.2. Hạn chế của phương pháp truyền thống và cơ hội cho học máy

Các phương pháp truyền thống để phát hiện tương tác thuốc, như thử nghiệm lâm sàng và nghiên cứu in vitro, thường tốn thời gian, chi phí và nguồn lực. Ngoài ra, các phương pháp này có thể không đủ nhạy để phát hiện các tương tác thuốc hiếm gặp hoặc phức tạp. Học máy, với khả năng phân tích lượng lớn dữ liệu và tìm ra các mối quan hệ phức tạp, cung cấp một giải pháp tiềm năng để vượt qua những hạn chế này. Các thuật toán học máy có thể được huấn luyện trên các bộ dữ liệu tương tác thuốc để dự đoán khả năng xảy ra tương tác thuốc giữa các cặp thuốc mới.

1.3. Ứng dụng AI trong y tế Tiềm năng thay đổi dược phẩm

Sự bùng nổ của trí tuệ nhân tạo (AI) đang tạo ra một cuộc cách mạng trong lĩnh vực y tế và dược phẩm. Ứng dụng AI trong y tế và ứng dụng AI trong dược phẩm bao gồm: phát hiện bệnh sớm, cá nhân hóa điều trị, tối ưu hóa quy trình phát triển thuốc, và dự đoán tương tác thuốc. Phân tích dữ liệu lớn trong y tế và phân tích dữ liệu lớn trong dược phẩm cho phép các nhà nghiên cứu khai thác thông tin từ hồ sơ bệnh án điện tử (EMR), cơ sở dữ liệu thuốc, và các nguồn dữ liệu khác để cải thiện chăm sóc sức khỏe và phát triển các loại thuốc an toàn và hiệu quả hơn. E-Prescribing cũng được hưởng lợi từ AI.

II. Thách thức trong dự đoán tương tác thuốc Vấn đề dữ liệu

Mặc dù mô hình học máy có nhiều tiềm năng trong dự đoán tương tác thuốc, vẫn còn nhiều thách thức cần vượt qua. Một trong những thách thức lớn nhất là sự thiếu hụt dữ liệu chất lượng cao. Các bộ dữ liệu tương tác thuốc hiện có thường nhỏ, không đầy đủ, hoặc chứa nhiều thông tin sai lệch. Điều này có thể dẫn đến các mô hình học máy kém chính xác và không đáng tin cậy. Ngoài ra, việc giải thích các dự đoán của mô hình học máy cũng là một thách thức. Các mô hình học máy thường là "hộp đen", nghĩa là khó hiểu được tại sao chúng lại đưa ra một dự đoán cụ thể. Điều này có thể gây khó khăn cho việc chấp nhận và áp dụng các mô hình học máy trong thực tế.

2.1. Chất lượng và độ tin cậy của dữ liệu tương tác thuốc

Nguồn dữ liệu chính cho việc huấn luyện mô hình học máy dự đoán tương tác thuốc là các cơ sở dữ liệu tương tác thuốc, như DrugBank, FDA Adverse Event Reporting System (FAERS), và các y văn khoa học. Tuy nhiên, dữ liệu trong các nguồn này thường không đầy đủ, không chính xác, hoặc mâu thuẫn. Các tương tác thuốc được báo cáo trong FAERS có thể không được xác nhận bằng chứng cứ khoa học, trong khi các cơ sở dữ liệu tương tác thuốc có thể bỏ sót các tương tác thuốc hiếm gặp hoặc phức tạp. Cần có các phương pháp để cải thiện chất lượng và độ tin cậy của dữ liệu tương tác thuốc.

2.2. Vấn đề mất cân bằng dữ liệu và ảnh hưởng đến mô hình

Trong các bộ dữ liệu tương tác thuốc, số lượng các cặp thuốc có tương tác thuốc thường ít hơn nhiều so với số lượng các cặp thuốc không có tương tác thuốc. Điều này dẫn đến vấn đề mất cân bằng dữ liệu, có thể làm cho các mô hình học máy thiên vị về phía lớp đa số (không có tương tác thuốc). Các kỹ thuật như lấy mẫu quá mức (oversampling) hoặc lấy mẫu dưới mức (undersampling) có thể được sử dụng để giải quyết vấn đề này. Kỹ thuật SMOTE cũng thường được áp dụng.

2.3. Khả năng diễn giải mô hình Giải thích kết quả dự đoán

Một trong những thách thức lớn nhất trong việc áp dụng mô hình học máy trong dự đoán tương tác thuốc là thiếu khả năng giải thích. Các mô hình học máy phức tạp, như mạng nơ-ron, thường được coi là "hộp đen", nghĩa là khó hiểu được tại sao chúng lại đưa ra một dự đoán cụ thể. Điều này có thể gây khó khăn cho việc chấp nhận và tin tưởng vào các dự đoán của mô hình học máy. Cần có các phương pháp để làm cho mô hình học máy dễ diễn giải hơn, ví dụ như sử dụng các kỹ thuật khai thác luật hoặc phân tích tầm quan trọng của đặc trưng.

III. Mô hình học máy Cách tiếp cận dự đoán tương tác thuốc

Các mô hình học máy có thể được sử dụng để dự đoán tương tác thuốc bằng cách học các mối quan hệ giữa các đặc trưng của thuốc (ví dụ: cấu trúc hóa học, dược lý học, dược động học, dược lực học) và khả năng xảy ra tương tác thuốc. Các thuật toán học máy phổ biến được sử dụng trong dự đoán tương tác thuốc bao gồm máy nơ-ron (Neural Network), máy vector hỗ trợ (SVM), Random Forest, và các thuật toán phân loại và thuật toán hồi quy khác. Các mô hình học máy có thể được huấn luyện trên các bộ dữ liệu tương tác thuốc để dự đoán khả năng xảy ra tương tác thuốc giữa các cặp thuốc mới.

3.1. Các thuật toán phân loại và hồi quy Ưu điểm và hạn chế

Thuật toán phân loại, như máy vector hỗ trợ (SVM), Random Forest, và hồi quy Logistic (Logistic Regression), được sử dụng để dự đoán xem một cặp thuốc có tương tác thuốc hay không (phân loại nhị phân). Thuật toán hồi quy, như hồi quy tuyến tính, có thể được sử dụng để dự đoán mức độ nghiêm trọng của tương tác thuốc. Mỗi thuật toán học máy có những ưu điểm và hạn chế riêng. Máy vector hỗ trợ (SVM) hiệu quả trong không gian nhiều chiều, trong khi Random Forest có thể xử lý dữ liệu phi tuyến tính tốt. Hồi quy Logistic (Logistic Regression) dễ diễn giải hơn, trong khi mạng nơ-ron có thể học các mối quan hệ phức tạp hơn.

3.2. Mạng nơ ron Mô hình học sâu cho dự đoán phức tạp

Mạng nơ-ron là một loại mô hình học máy phức tạp, có khả năng học các mối quan hệ phi tuyến tính và tương tác phức tạp giữa các đặc trưng của thuốc. Mạng nơ-ron đã được chứng minh là có hiệu quả trong dự đoán tương tác thuốc, đặc biệt là đối với các tương tác thuốc phức tạp liên quan đến nhiều cơ chế khác nhau. Tuy nhiên, mạng nơ-ron đòi hỏi lượng lớn dữ liệu huấn luyện và khó diễn giải hơn so với các thuật toán học máy khác.

3.3. Boosting Máy học tăng cường Tăng độ chính xác dự đoán

Máy học tăng cường (Boosting) là một kỹ thuật kết hợp nhiều mô hình học máy yếu để tạo ra một mô hình học máy mạnh hơn. Boosting hoạt động bằng cách huấn luyện các mô hình học máy tuần tự, mỗi mô hình học máy tập trung vào việc sửa chữa các lỗi của mô hình học máy trước đó. Boosting đã được chứng minh là có hiệu quả trong việc cải thiện độ chính xác dự đoán của mô hình học máy trong nhiều lĩnh vực, bao gồm cả dự đoán tương tác thuốc.

IV. Kết quả nghiên cứu và ứng dụng thực tế mô hình dự đoán

Nghiên cứu về dự đoán tương tác thuốc bằng mô hình học máy đã đạt được nhiều kết quả đáng khích lệ. Các mô hình học máy đã được chứng minh là có khả năng dự đoán tương tác thuốc với độ chính xác cao, vượt trội hơn so với các phương pháp truyền thống. Tuy nhiên, cần có các nghiên cứu thêm để đánh giá độ tin cậy của mô hình và khả năng diễn giải mô hình trong các tình huống thực tế. Ứng dụng e-Prescribing và tích hợp hệ thống hỗ trợ quyết định lâm sàng có thể giúp bác sĩ và dược sĩ sử dụng các mô hình học máy để phòng ngừa tương tác thuốc và cải thiện chăm sóc sức khỏe cho bệnh nhân.

4.1. Đánh giá độ chính xác và độ tin cậy của mô hình

Để đánh giá độ chính xác dự đoán và độ tin cậy của mô hình, các mô hình học máy cần được kiểm tra trên các bộ dữ liệu độc lập và so sánh với các phương pháp truyền thống. Các chỉ số đánh giá phổ biến bao gồm độ chính xác, độ đúng, độ phủ, chỉ số F1-score, chỉ số AUC, và chỉ số MCC. Cần có các nghiên cứu để đánh giá độ tin cậy của mô hình trong các tình huống thực tế, ví dụ như dự đoán tương tác thuốc trong hồ sơ bệnh án điện tử (EMR).

4.2. Ứng dụng trong kê đơn điện tử e Prescribing

Kê đơn điện tử (e-Prescribing) là một hệ thống cho phép bác sĩ kê đơn thuốc điện tử và gửi trực tiếp đến nhà thuốc. e-Prescribing có thể được tích hợp với mô hình học máy để cảnh báo bác sĩ về các tương tác thuốc tiềm năng trước khi kê đơn thuốc. Điều này có thể giúp phòng ngừa tương tác thuốc và cải thiện an toàn thuốc.

4.3. Hệ thống hỗ trợ quyết định lâm sàng Hỗ trợ bác sĩ ra quyết định

Hệ thống hỗ trợ quyết định lâm sàng là một hệ thống cung cấp thông tin và khuyến nghị cho bác sĩ để hỗ trợ họ trong việc ra quyết định lâm sàng. Hệ thống hỗ trợ quyết định lâm sàng có thể được tích hợp với mô hình học máy để cung cấp cho bác sĩ thông tin về các tương tác thuốc tiềm năng, giúp họ lựa chọn phác đồ điều trị an toàn và hiệu quả hơn.

V. Tương lai của dự đoán Hướng nghiên cứu và phát triển

Dự đoán tương tác thuốc bằng mô hình học máy là một lĩnh vực nghiên cứu đầy hứa hẹn, với nhiều tiềm năng phát triển trong tương lai. Các hướng nghiên cứu tiềm năng bao gồm: phát triển các thuật toán học máy mới và cải tiến, tích hợp các nguồn dữ liệu khác nhau (ví dụ: dữ liệu gen, dữ liệu môi trường), và phát triển các mô hình học máy dễ diễn giải hơn. Sự phát triển của tin sinh học và hóa tin học cũng đóng vai trò quan trọng trong việc cải thiện hiệu quả dự đoán tương tác thuốc.

5.1. Phát triển thuật toán học máy mới và cải tiến

Nghiên cứu về thuật toán học máy mới và cải tiến có thể giúp cải thiện độ chính xác dự đoán và độ tin cậy của mô hình trong dự đoán tương tác thuốc. Các thuật toán học máy mới có thể được thiết kế để xử lý dữ liệu phức tạp hơn, học các mối quan hệ phi tuyến tính, hoặc giải quyết vấn đề mất cân bằng dữ liệu.

5.2. Tích hợp dữ liệu đa dạng Gen môi trường lối sống...

Việc tích hợp các nguồn dữ liệu khác nhau, như dữ liệu gen, dữ liệu môi trường, và dữ liệu lối sống, có thể giúp cải thiện độ chính xác dự đoán của mô hình học máy trong dự đoán tương tác thuốc. Các yếu tố di truyền, môi trường, và lối sống có thể ảnh hưởng đến cách cơ thể phản ứng với thuốc và khả năng xảy ra tương tác thuốc.

5.3. Vai trò của tin sinh học và hóa tin học trong phát triển thuốc

Tin sinh học và hóa tin học đóng vai trò quan trọng trong việc phát triển các loại thuốc an toàn và hiệu quả hơn. Các công cụ tin sinh học và hóa tin học có thể được sử dụng để xác định các mục tiêu thuốc tiềm năng, dự đoán tác dụng phụ của thuốc, và tối ưu hóa cấu trúc thuốc để giảm thiểu khả năng xảy ra tương tác thuốc.

VI. Kết luận Học máy và tương lai an toàn trong dược phẩm

Dự đoán tương tác thuốc bằng mô hình học máy là một lĩnh vực nghiên cứu đầy tiềm năng, hứa hẹn khả năng cải thiện an toàn thuốc, tối ưu hóa phác đồ điều trị, và cải thiện chăm sóc sức khỏe cho bệnh nhân. Mặc dù vẫn còn nhiều thách thức cần vượt qua, sự phát triển của thuật toán học máy mới, việc tích hợp các nguồn dữ liệu khác nhau, và sự phát triển của tin sinh học và hóa tin học sẽ giúp mở ra những cơ hội mới trong lĩnh vực này. Việc tiếp tục đầu tư vào nghiên cứu và phát triển trong lĩnh vực dự đoán tương tác thuốc bằng mô hình học máy là vô cùng quan trọng để xây dựng một tương lai an toàn hơn trong lĩnh vực dược phẩm và y tế.

6.1. Tóm tắt những thành tựu và thách thức còn tồn tại

Các mô hình học máy đã đạt được nhiều thành tựu trong việc dự đoán tương tác thuốc, tuy nhiên vẫn còn nhiều thách thức cần vượt qua, như sự thiếu hụt dữ liệu chất lượng cao, vấn đề mất cân bằng dữ liệu, và thiếu khả năng giải thích. Cần có các nghiên cứu thêm để đánh giá độ tin cậy của mô hình và khả năng diễn giải mô hình trong các tình huống thực tế.

6.2. Khuyến nghị cho nghiên cứu và phát triển trong tương lai

Các hướng nghiên cứu tiềm năng bao gồm: phát triển các thuật toán học máy mới và cải tiến, tích hợp các nguồn dữ liệu khác nhau, và phát triển các mô hình học máy dễ diễn giải hơn. Cần có sự hợp tác giữa các nhà nghiên cứu, nhà phát triển phần mềm, bác sĩ, và dược sĩ để đảm bảo rằng các mô hình học máy được phát triển và ứng dụng một cách hiệu quả và an toàn.

6.3. Học máy Công cụ then chốt xây dựng an toàn trong dược phẩm

Học máy là một công cụ then chốt trong việc xây dựng một tương lai an toàn hơn trong lĩnh vực dược phẩm. Bằng cách khai thác lượng lớn dữ liệu và học các mối quan hệ phức tạp, mô hình học máy có thể giúp dự đoán tương tác thuốc, tối ưu hóa phác đồ điều trị, và cải thiện chăm sóc sức khỏe cho bệnh nhân. Việc tiếp tục đầu tư vào nghiên cứu và phát triển trong lĩnh vực học máy là vô cùng quan trọng để xây dựng một tương lai an toàn hơn trong lĩnh vực dược phẩm và y tế.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN 1. Tổng quan về tương tác dược chất - tá dược Dược chất (drug substance), còn gọi là hoạt chất (active substance) hay thành phần dược phẩm có hoạt tính (active pharmaceutical ingredient - API) là chất hoặc hỗn hợp các chất dùng để bào chế thuốc, có tác dụng dược lý hoặc có tác dụng trực tiếp trong phòng bệnh, chẩn đoán bệnh, chữa bệnh, điều trị bệnh, giảm nhẹ bệnh, điều chỉnh chức năng sinh lý cơ thể người [1]. Nghiên cứu về các tương tác giữa dược chất và tá dược đóng vai trò rất quan trọng trong xây dựng công thức thuốc vì nó có thể ảnh hưởng đến hiệu quả, an toàn và độ ổn định của sản phẩm [23]. Tuy nhiên, nếu các tá dược không được lựa chọn cẩn thận thì các tương tác giữa dược chất và tá dược có thể gây ảnh hưởng đến tính chất của sản phẩm, chẳng hạn như làm giảm độ hòa tan, làm chậm quá trình giải phóng hoặc gây ra sự biến đổi hóa học đối với dược chất.

Do đó, việc lựa chọn các tá dược phù hợp để tạo ra dạng bào chế an toàn, ổn định và hiệu quả là rất cần thiết. Việc sàng lọc khả năng tương thích của dược chất với tá dược được coi là một trong những yếu tố bắt buộc trong phát triển các dạng bào chế thuốc [40]. Các phương pháp nghiên cứu tương tác dược chất - tá dược Các phương pháp đánh giá tương tác dược chất - tá dược có thể được thành 2 nhóm, bao gồm các kỹ thuật phân tích nhiệt và phi nhiệt. Các kỹ thuật phân tích nhiệt bao gồm phương pháp phân tích nhiệt lượng quét vi sai, phân tích nhiệt trọng lượng, phân tích nhiệt vi sai, phép đo vi nhiệt lượng đẳng nhiệt [8].

Trong khi đó, một số kỹ thuật phân tích phi nhiệt thường dùng là nhiễu xạ tia X, quang phổ hồng ngoại, kính hiển vi điện tử quét và sắc ký lỏng hiệu năng cao [28]. Trong số các kỹ thuật nêu trên, ba kỹ thuật đánh giá tương tác dược chất - tá dược được sử dụng phổ biến nhất là quét nhiệt lượng vi sai, quang phổ hồng ngoại/quang phổ cận hồng ngoại và sắc ký lỏng hiệu năng cao. Quét nhiệt lượng vi sai Quét nhiệt lượng vi sai (Differential scanning calorimetry - DSC) là kỹ thuật nhiệt phổ biến nhất được sử dụng để đánh giá sự tương thích của dược chất và tá dược [15]. Kỹ thuật này thường chỉ yêu cầu cỡ mẫu nhỏ và thu được kết quả tương đối nhanh.

Trong phương pháp DSC, đường cong nhiệt của các thành phần (dược chất, tá dược) 2 được so sánh với đường cong thu được từ hỗn hợp. Nếu các thành phần tương thích với nhau thì các đặc tính nhiệt của hỗn hợp sẽ là tổng của các thành phần riêng lẻ. Sự thay đổi đáng kể về nhiệt độ nóng chảy, sự xuất hiện của đỉnh tỏa nhiệt/thu nhiệt mới và/hoặc sự biến đổi entanpy tương ứng của phản ứng trong hỗn hợp là dấu hiệu cho thấy sự không tương thích giữa các thành phần trong hỗn hợp. Một trong những ưu điểm của DSC so với các kỹ thuật thông thường khác là thời gian phân tích ngắn và lượng mẫu dùng để phân tích thường ít.

Tuy nhiên, hạn chế của phương pháp này là các kết luận về tính tương thích chỉ dựa trên kết quả DSC có thể gây hiểu nhầm và phải được biện giải cẩn thận bằng việc kết hợp với các kỹ thuật khác. Hiện nay, kỹ thuật DSC thường được sử dụng kết hợp cùng với kỹ thuật kính hiển vi điện tử quét (Scanning Electron Microscopy - SEM),. để đảm bảo độ chính xác [12]. Trong một nghiên cứu năm 2011, Aigner và cộng sự đã sử dụng kỹ thuật DSC nghiên cứu tương tác của aceclofenac với các tá dược khác nhau như Carbopol® 940, hydroxypropyl methylcellulose, cellulose vi tinh thể, Aerosil® 200 và magnesium stearat [2].

Những thay đổi lớn được quan sát thấy trong hỗn hợp aceclofenac - magnesium stearat, đỉnh thu nhiệt tại điểm nóng chảy của aceclofenac biến mất và tín hiệu thu nhiệt của magnesium stearat cũng thay đổi. Điều này thể hiện qua kết quả thu được, đỉnh thu nhiệt của hỗn hợp rộng với nhiệt độ ban đầu Tonset = 86.8oC, nhiệt độ đỉnh Tpeak là 94oC và nhiệt độ cuối Tendset = 102. Trong khi ban đầu, với aceclofenac có Tonset = 152.1oC và Tendset = 156.65oC còn với magnesium stearat, có 3 tín hiệu thu nhiệt bao gồm 1 tín hiệu lớn Tpeak 2 = 104.5oC và hai tín hiệu nhỏ hơn Tpeak 1 = 89. Như vậy, kết quả nghiên cứu cho thấy xảy ra tương tác giữa aceclofenac và magnesium stearat dẫn đến hình thành muối magnesium của aceclofenac.

Các tá dược khác được cho là tương thích với dược chất, tức là không quan sát thấy tương tác đáng kể giữa aceclofenac và các tá dược khác được nghiên cứu. Quang phổ hồng ngoại, quang phổ cận hồng ngoại Quang phổ hồng ngoại (Infrared Spectroscopy - IR), quang phổ cận hồng ngoại (Near Infrared Spectroscopy - NIR) là những kỹ thuật phi nhiệt được sử dụng phổ biến nhất để sàng lọc khả năng tương thích với tá dược của thuốc [15]. Những kỹ thuật này cung cấp dấu vân tay duy nhất cho dược chất và tá dược dựa trên các thuộc tính vật lý và hóa học của chúng. Do tính chất rất nhạy của các kỹ thuật này nên mọi sai lệch nhỏ về tính chất lý hóa của dược chất do tương tác với tá dược đều được phát hiện dễ dàng.

Những thay đổi lý hóa thường được quan sát do tương tác thuốc - tá dược bao gồm chuyển đổi dạng thù hình, mất nước, hình thành hydrat/solvat, … [6], [14]. Một số ưu điểm chung của các kỹ thuật IR và NIR bao gồm phân tích nhanh, phát hiện nhanh chóng và dễ dàng những điểm không tương thích nhờ sự dịch chuyển quang phổ và phát hiện các sản phẩm phụ tương tác. Tuy nhiên, sự hiện diện của các chất chồng 3 lên nhau trong quang phổ có thể cản trở việc phân tích. Đây cũng là hạn chế của các kỹ thuật này.

Năm 2023, Nishant Thakur và cộng sự [43] đã tiến hành nghiên cứu tương tác có thể xảy ra trong công thức thuốc dán chứa thiococlchicosid với các tá dược là polymer (Eudragit L100, HPMC và PVP K30), chất hóa dẻo và tác nhân liên kết chéo (propylen glycol và triethyl citrat) bằng FTIR. Kết quả thu được cho thấy các đỉnh đặc trưng của thiococlchicosid, carbonyl (Amide I) ở 1525.7cm-1 và nhóm -OH ở 3400.2 cm-1 vẫn hiện diện trong hỗn hợp polymer sau khi bào chế dưới dạng miếng dán thấm qua da, cho thấy sự tương thích giữa dược chất - tá dược. Sắc ký lỏng hiệu năng cao (HPLC) Sắc ký lỏng hiệu năng cao (HPLC) là một trong những kỹ thuật phân tích được sử dụng rộng rãi nhất để xác định tương tác nếu có giữa dược chất và tá dược trong công thức bào chế. Kỹ thuật này có thể rất hữu ích trong trường hợp tương tác dẫn đến thay đổi về hàm lượng hoạt chất trong công thức bào chế [14].

Kết quả HPLC cho phép tính được phần trăm dược chất hao hụt, từ đó đánh giá có sự tương tác giữ dược chất - tá dược hay không và ngược lại. Sắc ký lỏng hiệu năng cao có nhiều ưu điểm như độ chính xác cao, có thể kết hợp với nhiều phương pháp, kỹ thuật khác và trong các phòng thí nghiệm phân tích hầu như đều được trang bị thiết bị này. Nhược điểm của HPLC là không áp dụng được để đánh giá tương tác dược chất - tá dược với những trường hợp không xảy ra sự thay đổi về lượng chất. Trong một nghiên cứu năm 2013, Julio và cộng sự [24] đã tiến hành đánh giá khả năng tương thích của sildenafil citrat với silic dioxid, natri crosscarmellose, lactose, mannitol và sucrose, sử dụng kỹ thuật DSC kết hợp HPLC.

Một cặp tương tác dược chất - tá dược đã được phát hiện. Nghiên cứu này cho thấy hiệu quả của việc kết hợp các kỹ thuật nhiệt với HPLC trong việc phát hiện sự không tương thích dược chất - tá dược và cung cấp các phương pháp tiếp cận mạnh mẽ, chính xác hơn cho các nghiên cứu tiền công thức, đảm bảo tính tin cậy của kết quả. Một số nghiên cứu về tương tác dược chất - tá dược Nhóm nghiên cứu của tác giả S. Patel và cộng sự [34] đã tiến hành xây dựng mô hình học máy có tên là DE-INTERACT với mục đích dự đoán tính tương thích dược chất - tá dược.

Mô hình được xây dựng dựa trên thuật toán mạng nơ-ron nhân tạo (Artificial Neural Networks), gồm 3 thành phần chính: 1 lớp đầu vào (input layer), 2 lớp ẩn (hidden layer) và 1 lớp đầu ra (output layer). Mô hình được đánh giá trên tập huấn luyện và trên tập kiểm định với độ chính xác, hàm mất mát (loss function), các chỉ số đánh giá phân loại từng nhãn như độ đúng, độ phủ và chỉ số F1 - score. Kết quả cho thấy 4 mô hình có khả năng dự đoán rất tốt với độ chính xác trên tập huấn luyện là 0.9930, trên tập kiểm định là 0. Ngoài ra, tác giả cũng sử dụng mô hình để dự đoán một cặp dược chất - tá dược tương tác nằm ngoài bộ dữ liệu là paracetamol - vanilin, đồng thời cũng tiến hành kiểm tra lại bằng thực nghiệm, sử dụng các phương pháp DSC, FTIR, HPLC.

Kết quả thực nghiệm hoàn toàn phù hợp với dự đoán của DE-INTERACT cho thấy mô hình học máy có tiềm năng lớn trong nghiên cứu tương tác dược chất - tá dược. Hạn chế chính của DE-INTERACT là mô hình tương đối đơn giản, chưa học được nhiều mối quan hệ phức tạp giữa dược chất và tá dược nên khi áp dụng một số cặp dữ liệu thực tế, kết quả dự đoán chưa được tốt mặc dù độ chính xác mô hình cao. Trong một nghiên cứu khác, Nannan Wang và cộng sự [48] đã thiết kế một hệ thống có tên là PharmDE để đánh giá nguy cơ xảy ra tương tác giữa dược chất và tá dược. Từ một cơ sở dữ liệu gồm 532 cặp tương tác thu thập từ 228 bài báo, N.

Wang đã xây dựng 60 quy tắc và ứng dụng chúng để dự đoán tương tác có thể xảy ra trong công thức. Ưu điểm của PharmDE là khả năng đưa ra thông tin nhanh về các tương tác và cơ chế liên quan đến dược chất - tá dược, tuy nhiên chỉ áp dụng được với các dữ liệu sẵn có, dữ liệu không có trong hệ thống thì sẽ không hiển thị kết quả. Mặc dù như vậy, PharmDE được kỳ vọng sẽ là một công cụ hữu ích để nghiên cứu khả năng tương thích của thuốc với tá dược và đẩy nhanh quá trình thiết kế công thức thuốc.