مژگان فتحی در گفت‌وگو با خبرنگار ایمنا با اشاره به ضرورت بهره‌گیری از ابزارهای محاسباتی برای تحلیل و پیش‌بینی خواص مولکولی اظهار کرد: درک ارتباط میان ساختار مولکولی و ویژگی‌های فیزیکی یا زیستی، پژوهشگران را قادر می‌سازد تا ترکیبات جدید را با کارایی بیشتری طراحی کنند.
وی در توضیح مفهوم QSPR افزود: ارتباط کمی ساختار-خاصیت (QSPR) به بررسی روابط میان ساختار مولکولی و خواصی نظیر نقطه جوش، انحلال‌پذیری یا پایداری شیمیایی می‌پردازد، این مدل‌ها بر پایه داده‌های تجربی یا محاسبات تئوری است و کمک می‌کند تا خواص ترکیباتی که هنوز سنتز نشده است، پیش‌بینی شود.
کارشناس مهندسی شیمی ادامه داد: یکی از مهم‌ترین کاربردهای QSPR، در صنایع شیمیایی است که طراحی مواد جدید با ویژگی‌های مورد نیاز است، برای مثال در طراحی پلیمرهای مقاوم یا حلال‌های سازگار با محیط‌زیست می‌توان از این روش بهره برد.
فتحی با بیان تفاوت میان QSPR و QSAR تصریح کرد: در حالی که QSPR بیشتر بر خواص فیزیکی و شیمیایی تمرکز دارد، QSAR (ارتباط کمی ساختار-فعالیت) برای پیش‌بینی فعالیت‌های زیستی مولکول‌ها همچون اثرات دارویی، میزان سمی بودن یا خاصیت ضدباکتریایی استفاده می‌شود.
وی در ادامه گفت: مدل‌های QSAR با استفاده از ویژگی‌های مولکولی همچون بار الکتریکی، حجم یا انرژی‌های پیوندی ، به شناسایی و پیش‌بینی فعالیت زیستی ترکیبات جدید کمک می‌کنند. این فرایند می‌تواند هزینه‌ها و زمان لازم برای آزمایش‌های تجربی را به میزان قابل توجهی کاهش دهد.
کارشناس مهندسی در پاسخ به سوالی درباره مزایای این مدل‌ها توضیح داد: از مهم‌ترین مزایای این روش‌ها، کاهش هزینه‌های پژوهشی و افزایش سرعت در کشف ترکیبات مؤثر است، علاوه بر این، شفاف‌سازی روابط میان خواص مولکولی و ساختار شیمیایی به پژوهشگران کمک می‌کند تا طراحی بهتری برای ترکیبات جدید داشته باشند.
فتحی اظهار داشت: به‌طور مثال اگر بتوانیم پیش‌بینی کنیم که یک مولکول با ساختاری خاص، فعالیت ضدسرطانی دارد، می‌توانیم از این اطلاعات برای طراحی داروهای جدید استفاده کنیم.
وی با اشاره به چالش‌های موجود در این زمینه گفت: یکی از چالش‌های اصلی، نیاز به داده‌های باکیفیت و گسترده برای ساخت مدل‌های دقیق است، همچنین پیچیدگی‌های مولکولی و تعاملات زیستی ممکن است به دقت پیش‌بینی‌ها تأثیر بگذارد.
کارشناس مهندسی شیمی تأکید کرد: با این حال، با پیشرفت روش‌های یادگیری ماشین و هوش مصنوعی، انتظار می‌رود که این مدل‌ها در آینده نزدیک دقیق‌تر و کاربردی‌تر شوند، این تکنولوژی‌ها قادرند از داده‌های بزرگ برای بهبود پیش‌بینی‌ها استفاده کنند و حتی ترکیباتی با ویژگی‌های جدید و بهینه طراحی کنند.
نظر شما