Decodificare il linguaggio delle molecole: come l'intelligenza artificiale generativa sta accelerando la scoperta dei farmaci

As IA generativa si evolve, va oltre la decifrazione del linguaggio umano per padroneggiare gli intricati linguaggi della biologia e della chimica. Pensa al DNA come a sceneggiatura dettagliata, una sequenza di 3 miliardi di lettere che guida le funzioni e la crescita del nostro corpo. Allo stesso modo, le proteine, i componenti essenziali della vita, hanno il loro linguaggio, che include un alfabeto di 20 amminoacidi. In chimica, anche le molecole hanno un dialetto unico, come costruire parole, frasi o paragrafi utilizzando regole grammaticali. La grammatica molecolare determina il modo in cui gli atomi e le sottostrutture si combinano per formare molecole o polimeri. Proprio come la grammatica linguistica definisce la struttura delle frasi, la grammatica molecolare descrive la struttura delle molecole.

Come intelligenza artificiale generativa, come ad esempio modelli linguistici di grandi dimensioni (LLM), dimostrano la sua capacità di decodificare il linguaggio delle molecole, stanno emergendo nuove strade per un'efficiente scoperta di farmaci. Diverse aziende farmaceutiche utilizzano sempre più questa tecnologia per promuovere l’innovazione nello sviluppo di farmaci. Il McKinsey Global Institute (MGI) stima che l’intelligenza artificiale generativa potrebbe creare $ 60 miliardi a $ 110 miliardi ogni anno in termini di valore economico per l'industria farmaceutica. Questo potenziale è dovuto principalmente alla sua capacità di aumentare la produttività accelerando l'identificazione di potenziali nuovi composti farmacologici e accelerandone i processi di sviluppo e approvazione. Questo articolo esplora come l'intelligenza artificiale generativa stia cambiando l'industria farmaceutica, fungendo da catalizzatore per rapidi progressi nella scoperta di nuovi farmaci. Tuttavia, per apprezzare l'impatto dell'intelligenza artificiale generativa, è essenziale comprendere il tradizionale processo di scoperta di nuovi farmaci e i suoi limiti e sfide intrinseci.

Le sfide della scoperta dei farmaci tradizionali

. tradizionale processo di scoperta dei farmaci è un’attività in più fasi, spesso dispendiosa in termini di tempo e risorse. Si inizia con l’identificazione del bersaglio, in cui gli scienziati individuano i bersagli biologici coinvolti in una malattia, come proteine ​​o geni. Questo passaggio porta alla convalida del target, che conferma che la manipolazione del target avrà effetti terapeutici. Successivamente, i ricercatori si impegnano nell’identificazione dei composti guida per trovare potenziali candidati farmacologici che possano interagire con il bersaglio. Una volta identificati, questi composti guida vengono sottoposti a ottimizzazione del piombo, perfezionando le loro proprietà chimiche per migliorare l'efficacia e ridurre al minimo gli effetti collaterali. I test preclinici valutano quindi la sicurezza e l’efficacia di questi composti in vitro (in provette) e in vivo (in modelli animali). I candidati promettenti vengono valutati in tre fasi di sperimentazione clinica per valutare la sicurezza e l'efficacia sull'uomo. Infine, i composti di successo devono ottenere l’approvazione normativa prima di essere commercializzati e prescritti.

Nonostante la sua completezza, il tradizionale processo di scoperta dei farmaci presenta numerosi limiti e sfide. È notoriamente dispendioso in termini di tempo e denaro, spesso richiede più di un decennio e costa miliardi di dollari, con alti tassi di fallimento, in particolare nelle fasi di sperimentazione clinica. La complessità dei sistemi biologici complica ulteriormente il processo, rendendo difficile prevedere come si comporterà un farmaco negli esseri umani. Inoltre, lo screening approfondito può esplorare solo una frazione limitata dei possibili composti chimici, lasciando da scoprire molti potenziali farmaci. Gli alti tassi di abbandono hanno anche ostacolato il processo, in cui molti farmaci candidati falliscono durante la fase avanzata dello sviluppo, con conseguente spreco di risorse e tempo. Inoltre, ogni fase della scoperta di un farmaco richiede un intervento umano e competenze significative, che possono rallentare il progresso.

Come l’intelligenza artificiale generativa cambia la scoperta dei farmaci

L’intelligenza artificiale generativa affronta queste sfide automatizzando varie fasi del processo di scoperta del farmaco. Accelera l'identificazione e la convalida dei target analizzando rapidamente grandi quantità di dati biologici per identificare e convalidare con maggiore precisione potenziali bersagli farmacologici. Nella fase di scoperta del composto principale, gli algoritmi di intelligenza artificiale possono prevedere e generare nuove strutture chimiche che potrebbero interagire efficacemente con il bersaglio. La capacità dell’intelligenza artificiale generativa di esplorare un vasto numero di piste rende il processo di esplorazione chimica altamente efficiente. L’intelligenza artificiale generativa migliora inoltre l’ottimizzazione dei lead simulando e prevedendo gli effetti delle modifiche chimiche sui composti di piombo. Ad esempio, NVIDIA ha collaborato con Recursion Pharmaceuticals per esplorare ulteriormente 2.8 quadrilioni di combinazioni di piccole molecole e bersagli in appena una settimana. Questo processo avrebbe potuto richiedere circa 100,000 anni per ottenere gli stessi risultati utilizzando i metodi tradizionali. Automatizzando questi processi, l’intelligenza artificiale generativa riduce significativamente i tempi e i costi necessari per immettere un nuovo farmaco sul mercato.

Inoltre, gli insight generativi basati sull’intelligenza artificiale rendono i test preclinici più accurati identificando potenziali problemi nelle fasi iniziali del processo, il che aiuta a ridurre i tassi di abbandono. Le tecnologie di intelligenza artificiale automatizzano inoltre molte attività ad alta intensità di lavoro, consentendo ai ricercatori di concentrarsi su decisioni strategiche di livello superiore e di ampliare il processo di scoperta dei farmaci. 

Caso di studio: la prima scoperta di farmaci con intelligenza artificiale generativa di Insilico Medicine

Una società di biotecnologie, Medicina Insilico, ha utilizzato l'intelligenza artificiale generativa per sviluppare il primo farmaco per fibrosi polmonare idiopatica (IPF), una malattia polmonare rara caratterizzata da cicatrici croniche che portano al declino irreversibile della funzione polmonare. Applicando l’intelligenza artificiale generativa agli omici e ai set di dati clinici relativi alla fibrosi tissutale, Insilico è riuscito a prevedere con successo i bersagli della fibrosi tessuto-specifici. Utilizzando questa tecnologia, l’azienda ha progettato una piccola molecola inibitrice, INS018_055, che ha mostrato potenziale contro la fibrosi e l’infiammazione.

Nel giugno 2023, Insilico ha somministrato la prima dose di INS018_055 ai pazienti in un Studio clinico di fase IILa scoperta di questo farmaco ha segnato un momento storico, poiché il primo inibitore di piccole molecole antifibrotiche al mondo è stato scoperto e progettato utilizzando l'intelligenza artificiale generativa.

Il successo di INS018_055 conferma l’efficienza dell’intelligenza artificiale generativa nell’accelerare la scoperta di farmaci e ne evidenzia il potenziale per affrontare malattie complesse.

Allucinazioni nell’intelligenza artificiale generativa per la scoperta di farmaci

Poiché l’intelligenza artificiale generativa fa avanzare la scoperta di farmaci consentendo la creazione di nuove molecole, è essenziale essere consapevoli delle sfide significative che questi modelli potrebbero affrontare. I modelli generativi sono soggetti a un fenomeno noto come allucinazione. Nel contesto della scoperta di farmaci, l’allucinazione si riferisce alla generazione di molecole che appaiono valide in superficie ma prive di effettiva rilevanza biologica o utilità pratica. Questo fenomeno presenta diversi dilemmi.

Uno dei problemi principali è l’instabilità chimica. I modelli generativi possono produrre molecole con proprietà teoricamente favorevoli, ma questi composti possono essere chimicamente instabili o soggetti a degradazione. Tali molecole “allucinate” potrebbero fallire durante la sintesi o mostrare comportamenti inaspettati nei sistemi biologici.

Inoltre, le molecole allucinate spesso non hanno rilevanza biologica. Potrebbero adattarsi ai bersagli chimici ma non riuscire a interagire in modo significativo con i bersagli biologici, rendendoli inefficaci come farmaci. Anche se una molecola sembra promettente, la sua sintesi potrebbe essere proibitivamente complessa o costosa, poiché l’allucinazione non tiene conto dei percorsi sintetici pratici.

Il divario di convalida complica ulteriormente la questione. Sebbene i modelli generativi possano proporre numerosi candidati, test sperimentali e validazioni rigorosi sono cruciali per confermarne l’utilità. Questo passaggio è essenziale per colmare il potenziale teorico e il divario applicativo pratico.

Varie strategie possono essere impiegate per mitigare le allucinazioni. Approcci ibridi che combinano l’intelligenza artificiale generativa con modelli basati sulla fisica o metodi basati sulla conoscenza possono aiutare a filtrare le molecole allucinate. Anche la formazione contraddittoria, in cui i modelli imparano a distinguere tra composti naturali e allucinati, può migliorare la qualità delle molecole generate. Coinvolgendo chimici e biologi nel processo di progettazione iterativo, è possibile ridurre anche l'effetto delle allucinazioni.

Affrontando la sfida delle allucinazioni, l’intelligenza artificiale generativa può ulteriormente la sua promessa nell’accelerare la scoperta di farmaci, rendendo il processo più efficiente ed efficace nello sviluppo di nuovi farmaci praticabili.

Conclusione

L’intelligenza artificiale generativa cambia l’industria farmaceutica accelerando la scoperta di farmaci e riducendo i costi. Sebbene permangano sfide come le allucinazioni, la combinazione dell’intelligenza artificiale con metodi tradizionali e competenze umane aiuta a creare composti più accurati e praticabili. Insilico Medicine dimostra che l’intelligenza artificiale generativa ha il potenziale per affrontare malattie complesse e portare nuovi trattamenti sul mercato in modo più efficiente. Il futuro della scoperta di farmaci sta diventando sempre più promettente, con l’intelligenza artificiale generativa che guida le innovazioni.