Scoprire il prossimo farmaco che può salvare la vita di molti è una delle principali sfide della Medicina odierna. Questo sforzo, però, è a dir poco titanico, richiedendo spesso miliardi di dollari e decenni per portare un farmaco dalla scoperta iniziale all’adozione di massa, rendendolo disponibile nelle nostre farmacie.
Indice degli argomenti
Le sfide dell’industria farmaceutica
L’industria farmaceutica, settore da oltre mille miliardi di dollari, ha infatti avuto sempre enormi difficoltà nel ridurre le tempistiche dall’identificazione di possibili candidati farmaci – cioè composti chimici che hanno caratteristiche promettenti che indicano la possibilità di combattere malattie – fino alla distribuzione. Il tempo da laboratorio a mercato, il cosiddetto lab-to-market time, è oggi di dodici anni, con oltre il 90% dei candidati farmaci che viene scartato in uno degli step del processo.
Ogni anno, l’industria farmaceutica spende centinaia di miliardi di dollari in Ricerca e Sviluppo (R&D), con le dieci più grandi aziende farmaceutiche che spendono in totale circa 80 miliardi.
E tutto ciò avviene tra mille sfide e difficoltà.
Al giorno d’oggi, trovare potenziali nuovi farmaci è molto più difficile che decenni fa. Ciò perché i candidati più facili e più sicuri da trovare sono già stati trovati e quindi resta aperto il difficile compito di trovare soluzioni ad alcuni dei problemi più sfuggenti e complessi, puntando a malattie sempre più rare e difficili da trattare.
Solamente dieci anni fa, per ogni euro investito in Ricerca e Sviluppo si ottenevano dieci centesimi in fatturato. Oggi, il fatturato è meno di due centesimi per euro investito.
Proprio perché il compito è ormai così difficile, non solo il tempo richiesto supera il decennio, ma il costo dello sviluppo di un farmaco è più che raddoppiato nello stesso periodo, aggirandosi attorno ai 3 o più miliardi di dollari.
Nuovi farmaci: la ricerca di candidati
1060. È il numero di molecole esistenti nell’universo con possibili caratteristiche farmacologiche. Un numero di gran lunga superiore a quello delle stelle della Via Lattea. È semplice intuire, dunque, perché trovare possibili farmaci sia una sfida così grande. Per scoprire se una molecola possa rappresentare un possibile candidato, si cerca infatti di stimare se la molecola in questione possa legarsi a una determinata proteina, in un processo chiamato “docking”. Esso può essere paragonato al trovare quale chiave apre una specifica serratura con varie aperture.
I processi attuali, software principalmente, cercano ogni combinazione, decidendo poi di considerare il miglior “fit” tra la chiave e la serratura.
Questi processi, come il software AutoDock Vina, uno dei più comunemente utilizzati, sono lo standard del settore e utilizzano avanzati sistemi di ottimizzazione per trovare i migliori candidati in tempi brevi.
Il ruolo chiave dell’Intelligenza Artificiale
Nonostante le buone performance, recentemente sono stati fatti passi da gigante in questo campo focalizzandosi su un campo relativamente nuovo, quello dell’Intelligenza Artificiale.
L’AI, infatti, ha la capacità di analizzare enormi quantità di dati, i cosiddetti Big Data, per poi capire quali sono le relazioni e le strutture che si ripetono.
In parole povere, i modelli di AI riescono a trovare quelle caratteristiche che si correlano spesso con un determinato target.
Per esempio, un modello di AI, dopo aver analizzato migliaia di coppie di molecole e proteine, può arrivare alla conclusione che una specifica forma delle molecole tende di solito a legarsi bene con un determinato tipo di proteina. Una volta che questi “insights” sono stati scoperti, è più facile raccomandare buoni candidati per una specifica molecola.
MIT: con l’AI scoprire farmaci è 1000 volte più veloce
Uno dei più promettenti sviluppi di utilizzo dell’Intelligenza Artificiale per la scoperta di nuovi farmaci proviene da un team del CSAIL, il gruppo di ricerca del MIT che si occupa in particolar modo di AI. Il team, guidato da Hannes Stärk e Regina Barzilay, si è posto l’obiettivo di creare un modello per identificare molecole promettenti utilizzando l’AI e, in particolar modo, una nuova applicazione del Deep Learning.
Il modello, differentemente da quelli comunemente usati, raffigura ogni molecola e ogni proteina tramite una rappresentazione grafica, in modo simile a come siamo stati abituati a scuola a rappresentare le molecole, quindi con una caratterizzazione fortemente geometrica in cui ogni atomo è collegato all’altro. Una volta che ogni molecola è rappresentata in questo modo, viene “data in pasto” a un modello di Deep Learning, cioè un algoritmo di Intelligenza Artificiale che cerca di approssimare le strutture neurali del cervello. Queste, infatti, consistono in serie di neuroni artificiali, cioè linee di codice che cercano di approssimare la struttura di un neurone. Creando una rete neurale, il sistema di Deep Learning genera una versione molto basilare di ciò che può ricordare un cervello umano e inizia a “imparare” le relazioni tra le strutture geometriche in input e le potenzialità in campo farmaceutico in output (possibilità di legarsi).
Il modello, a pochi mesi dalla sua invenzione, ha già dimostrato di aver rivoluzionato l’industria. EquiBind, questo il nome del modello del MIT, ha infatti superato i migliori modelli commerciali, come QuickVina2-W, di oltre 1200 volte, mostrando inequivocabilmente come il futuro della ricerca dei farmaci si baserà sull’Intelligenza Artificiale.
L’AI generativa per la scoperta di nuovi farmaci
Un nuovo trattamento sperimentale per la fibrosi polmonare, creato con il supporto dell’Intelligenza Artificiale, è approdato (marzo 2023) alla seconda fase di test clinici in Cina e negli Stati Uniti.
Lo studio, pubblicato su Nature Biotechnology, spiega come Insilico Medicine, tra le aziende pioniere della ricerca in questo settore, sia riuscite ad utilizzare tecniche di AI per rendere più rapido ed efficiente il processo di identificazione di nuovi farmaci, offrendo nuove speranze per la cura di patologie complesse.
In generale, l’adozione dell’Intelligenza Artificiale nel campo della ricerca medica si prospetta come una soluzione promettente per il trattamento di malattie degenerative come, ad esempio, il Parkinson e l’Alzheimer.
Alex Zhavoronkov, fondatore di Insilico Medicine, commentando lo studio in questione, ha sottolineato il potenziale dell’AI nel prevenire queste condizioni, proprio grazie alla sua capacità di analizzare in profondità i meccanismi dell’invecchiamento e delle malattie.
La fibrosi polmonare idiopatica, oggetto del suddetto studio e della conseguente applicazione di tecniche di AI, è una condizione critica che incide sulla vita di milioni di persone al mondo ed è tra le patologie che potrebbe beneficiare enormemente dell’AI generativa. Questa tecnologia, infatti, ha permesso di identificare rapidamente un obiettivo terapeutico e un inibitore, accorciando drasticamente i tempi necessari per lo sviluppo di nuovi farmaci e trattamenti rispetto ai metodi tradizionali.
In particolare, il farmaco INS018_055 è attualmente oggetto di studi clinici di fase 2 in Cina e negli USA con l’obiettivo di valutarne l’efficacia e la sicurezza nel migliorare la funzionalità polmonare.
Un ulteriore esempio, dunque, di come l’Intelligenza Artificiale si stia confermando sempre più un alleato fondamentale nel campo della ricerca farmaceutica, accelerando le fasi preliminari dello sviluppo di nuovi farmaci e aprendo la strada a trattamenti più efficaci e personalizzati.
aggiornamento marzo 2023 – redazione HealthTech360
AlphaFold, uno dei più grandi successi dell’Intelligenza Artificiale
I progressi nel campo della farmacologia non si fermano qui. DeepMind, una delle aziende leader nel campo dell’Intelligenza Artificiale e ora parte di Alphabet, ha infatti fatto altrettanti passi da gigante nell’ultimo anno.
L’azienda, guidata da Demis Hassabis, uno dei più grandi ricercatori di AI, ha sviluppato sistemi capaci di vincere a Go, un gioco estremamente più complesso degli Scacchi, mostrando la capacità dell’AI di apprendere in modi quasi umani.
Nello scorso anno, DeepMind ha reso disponibile a tutto il mondo AlphaFold, un’estensione del proprio modello capace di predire la struttura tridimensionale di una proteina con performance simili a quelli di test veri e propri.
AlphaFold, che è stato definito da Forbes come il risultato più importante di sempre nel campo dell’AI, utilizza anch’esso il Deep Learning per riuscire a risolvere una delle più grandi sfide della Biologia. Partendo da una lista di amminoacidi, cioè una catena di molecole alla base della vita, poter predire come queste si ristruttureranno in 3D può portare, infatti, alla capacità di identificare le caratteristiche specifiche di una proteina, inclusa la possibilità di diventare un farmaco.
Al momento, l’unico modo per passare da una catena a un modello 3D sarebbe stato fare un esperimento scientifico vero e proprio, cosa che avrebbe richiesto tempo e denaro.
Il software di DeepMind, grazie all’AI, è stato invece capace di fare questo in una maniera scalabile.
Tutto ciò ha enormi potenzialità nella scoperta di nuovi farmaci proprio perché conoscere la struttura 3D di queste proteine è indispensabile per scoprire le molecole che potranno legarsi.
Non solo. A Luglio 2022, giusto a un anno dal rilascio di AlphaFold, utilizzando tale sistema il team di DeepMind è riuscito a mappare praticamente l’intero universo di proteine conosciute dall’uomo, portando il numero di strutture 3D da 1 milione a 200 milioni.
In soli dodici mesi, oltre un milione di ricercatori ha utilizzato AlphaFold e lo stesso ha già aiutato nella lotta contro il COVID-19.
Proprio perché conoscere la struttura delle proteine è così importante, tutti i ricercatori del mondo ora hanno accesso al più grande database di proteine.
E la speranza è che ciò accelererà le scoperte in ambiti come la Biologia e la Medicina.
C’è ancora strada da fare
I modelli di DeepMind e del MIT non sono ancora perfetti e, di certo, non rivoluzioneranno la ricerca di nuovi farmaci da un giorno all’altro, ma sono un chiaro esempio di come l’Intelligenza Artificiale stia cambiando il mondo della Medicina (e non solo).
EquiBind e AlphaFold sono esempi di come l’AI possa non solamente avere un impatto vero e proprio, ma come questo impatto possa raggiungere livelli mai visti prima.
L’Intelligenza Artificiale, infatti, può accelerare lo sviluppo scientifico in modi scalabili non ottenibili in altri modi, con conseguenti benefici per l’intera umanità.
L’ AUTORE
Eugenio Zuccarelli è un Data Science Leader per aziende Fortune 500. Attualmente, guida gli sforzi di innovazione presso CVS Health. È un Forbes Under 30 e ha studiato al MIT, Harvard e all’Imperial College. Le sue analisi hanno aiutato a guidare il processo decisionale di CEO, governi e importanti istituti di ricerca su temi vitali come la lotta alla pandemia di COVID-19. Il suo lavoro può essere trovato su Forbes, Fortune, The Washington Post, Bloomberg, Financial Times, nonché su vari giornali di ricerca e nell’App Store.
