Decodificare il linguaggio delle molecole: come l’AI generativa sta accelerando la scoperta di farmaci

Man mano che l’AI generativa evolve, si sposta oltre il decifrare il linguaggio umano per padroneggiare i linguaggi intricati della biologia e della chimica. Pensate al DNA come a una scrittura dettagliata, una sequenza di 3 miliardi di lettere che guida le funzioni e la crescita del nostro corpo. Allo stesso modo, le proteine, componenti essenziali della vita, hanno il loro linguaggio, che include un alfabeto di 20 amminoacidi. In chimica, le molecole hanno anche un dialetto unico, come costruire parole, frasi o paragrafi utilizzando regole grammaticali. La grammatica molecolare detta come gli atomi e le sottostuture si combinano per formare molecole o polimeri. Proprio come la grammatica del linguaggio definisce la struttura delle frasi, la grammatica molecolare descrive la struttura delle molecole.

Man mano che l’AI generativa, come i modelli linguistici grandi (LLM), dimostra la sua capacità di decodificare il linguaggio delle molecole, nuove strade per la scoperta efficiente di farmaci stanno emergendo. Diverse aziende farmaceutiche stanno utilizzando sempre più questa tecnologia per guidare l’innovazione nello sviluppo di farmaci. Il McKinsey Global Institute (MGI) stima che l’AI generativa potrebbe creare $60 miliardi a $110 miliardi all’anno in valore economico per l’industria farmaceutica. Questo potenziale è principalmente dovuto alla sua capacità di migliorare la produttività accelerando l’identificazione di potenziali nuovi composti farmaceutici e accelerando i processi di sviluppo e approvazione. Questo articolo esplora come l’AI generativa sta cambiando l’industria farmaceutica agendo come catalizzatore per rapidi progressi nella scoperta di farmaci. Tuttavia, per apprezzare l’impatto dell’AI generativa, è essenziale comprendere il processo tradizionale di scoperta di farmaci e le sue limitazioni e sfide intrinseche.

Sfide della scoperta tradizionale di farmaci

Il processo tradizionale di scoperta di farmaci è un’impresa multistadio, spesso lunga e intensiva in termini di risorse. Inizia con l’identificazione dell’obiettivo, dove gli scienziati individuano obiettivi biologici coinvolti in una malattia, come proteine o geni. Questo passaggio porta alla convalida dell’obiettivo, che conferma che la manipolazione dell’obiettivo avrà effetti terapeutici. I ricercatori si impegnano quindi nell’identificazione del composto guida per trovare potenziali candidati farmaceutici che possono interagire con l’obiettivo. Una volta identificati, questi composti guida subiscono un’ottimizzazione, raffinando le loro proprietà chimiche per migliorare l’efficacia e minimizzare 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 trial clinici per valutare la sicurezza e l’efficacia umana. Infine, i composti di successo devono ottenere l’approvazione regolatoria prima di essere commercializzati e prescritti.

Nonostante la sua completezza, il processo tradizionale di scoperta di farmaci ha diverse limitazioni e sfide. È notoriamente lungo e costoso, spesso richiedendo oltre un decennio e costando miliardi di dollari, con alti tassi di fallimento, in particolare nelle fasi di trial clinici. La complessità dei sistemi biologici complica ulteriormente il processo, rendendo difficile prevedere come un farmaco si comporterà negli esseri umani. Inoltre, lo screening intensivo può esplorare solo una frazione limitata dei possibili composti chimici, lasciando molti potenziali farmaci non scoperti. I tassi di attrito alti ostacolano il processo, dove molti candidati farmaceutici falliscono durante lo sviluppo di fase tardiva, portando a risorse e tempo sprecati. Inoltre, ogni stadio della scoperta di farmaci richiede un significativo intervento umano e competenza, che può rallentare i progressi.

Come l’AI generativa cambia la scoperta di farmaci

L’AI generativa affronta queste sfide automatizzando diversi stadi del processo di scoperta di farmaci. Accelerare l’identificazione e la convalida dell’obiettivo analizzando rapidamente grandi quantità di dati biologici per identificare e convalidare più precisamente potenziali obiettivi farmaceutici. Nella fase di scoperta del composto guida, gli algoritmi AI possono prevedere e generare nuove strutture chimiche che potrebbero interagire efficacemente con l’obiettivo. La capacità dell’AI generativa di esplorare un vasto numero di lead rende il processo di esplorazione chimica altamente efficiente. L’AI generativa migliora anche l’ottimizzazione del lead simulando e prevedendo gli effetti delle modifiche chimiche sui composti guida. Ad esempio, NVIDIA ha collaborato con Recursion Pharmaceuticals per esplorare oltre 2,8 quadrilioni di combinazioni di piccole molecole e obiettivi in solo una settimana. Questo processo avrebbe potuto richiedere circa 100.000 anni per ottenere gli stessi risultati utilizzando metodi tradizionali. Automatizzando questi processi, l’AI generativa riduce significativamente il tempo e il costo necessari per portare un nuovo farmaco sul mercato.

Inoltre, le informazioni generate dall’AI migliorano la precisione dei test preclinici identificando potenziali problemi più precocemente nel processo, aiutando a ridurre i tassi di attrito. Le tecnologie AI automatizzano anche molti compiti laboriosi, consentendo ai ricercatori di concentrarsi su decisioni strategiche di alto livello e di scalare il processo di scoperta di farmaci.

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

Un’azienda biotecnologica, Insilico Medicine, ha utilizzato l’AI generativa per sviluppare il primo farmaco per fibrosi polmonare idiopatica (IPF), una rara malattia polmonare caratterizzata da cicatrizzazione cronica che porta a una riduzione irreversibile della funzione polmonare. Applicando l’AI generativa a dataset omici e clinici relativi alla fibrosi tessutale, Insilico ha previsto con successo obiettivi di fibrosi specifici dei tessuti. Utilizzando questa tecnologia, l’azienda ha progettato un inibitore di piccole molecole, 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 trial clinico di fase II. La scoperta di questo farmaco ha segnato un momento storico, poiché il primo inibitore di piccole molecole anti-fibrotiche è stato scoperto e progettato utilizzando l’AI generativa.

Il successo di INS018_055 valida l’efficienza dell’AI generativa nell’accelerare la scoperta di farmaci e sottolinea il suo potenziale per affrontare malattie complesse.

Allucinazione nell’AI generativa per la scoperta di farmaci

Man mano che l’AI generativa avanza nella scoperta di farmaci abilitando la creazione di molecole nuove, è essenziale essere consapevoli di una sfida significativa 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 mancano di rilevanza biologica reale o utilità pratica. Questo fenomeno presenta diversi dilemmi.

Un problema principale è l’instabilità chimica. I modelli generativi possono produrre molecole con proprietà teoriche favorevoli, ma questi composti possono essere instabili chimicamente o propensi a degradarsi. Tali “allucinate” molecole potrebbero fallire durante la sintesi o esibire comportamenti inaspettati nei sistemi biologici.

Inoltre, le molecole allucinate spesso mancano di rilevanza biologica. Potrebbero adattarsi ai bersagli chimici ma fallire nell’interagire in modo significativo con i bersagli biologici, rendendole inefficaci come farmaci. Anche se una molecola appare promettente, la sua sintesi potrebbe essere proibitivamente complessa o costosa, poiché l’allucinazione non tiene conto delle vie sintetiche pratiche.

Il divario di convalida complica ulteriormente la questione. Mentre i modelli generativi possono proporre numerosi candidati, la sperimentazione e la convalida sperimentali rigorose sono cruciali per confermare la loro utilità. Questo passaggio è essenziale per colmare il divario tra il potenziale teorico e l’applicazione pratica.

Diverse strategie possono essere impiegate per mitigare le allucinazioni. Gli approcci ibridi che combinano l’AI generativa con la modellazione basata sulla fisica o i metodi guidati dalla conoscenza possono aiutare a filtrare le molecole allucinate. L’addestramento avversario, in cui i modelli imparano a distinguere tra composti naturali e allucinati, può anche migliorare la qualità delle molecole generate. Involgendo chimici e biologi nel processo di progettazione iterativo, l’effetto dell’allucinazione può essere ridotto.

Affrontando la sfida dell’allucinazione, l’AI generativa può ulteriormente la sua promessa nell’accelerare la scoperta di farmaci, rendendo il processo più efficiente ed efficace nello sviluppo di nuovi farmaci validi.

Il punto fondamentale

L’AI generativa cambia l’industria farmaceutica accelerando la scoperta di farmaci e riducendo i costi. Sebbene sfide come l’allucinazione permangano, combinare l’AI con metodi tradizionali e competenza umana aiuta a creare composti più precisi e validi. Insilico Medicine dimostra che l’AI 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 più promettente, con l’AI generativa che guida le innovazioni.