Come l’IA sta superando gli ostacoli nella scoperta di farmaci a molecola piccola

I trial clinici per lo sviluppo di farmaci sono notoriamente lenti e costosi, e solo una piccola frazione dei candidati farmaceutici viene approvata dalle autorità regolatorie. I numerosi collo di bottiglia nel processo tradizionale di scoperta di farmaci sono fin troppo familiari a coloro che lavorano nell’industria farmaceutica: la sola fase clinica dura circa un decennio e rappresenta quasi tre quarti dei costi di ricerca e sviluppo, con il costo medio di sviluppo di un farmaco che sale a un impressionante 2,2 miliardi di dollari nel 2024.

Forse più criticamente, l’industria farmaceutica ha lottato per prevedere con accuratezza gli esiti di sviluppo di successo durante il lavoro di fase iniziale: circa 80-90 percento dei candidati farmaceutici non ottengono l’approvazione nonostante gli anni e i finanziamenti estesi investiti nel loro sviluppo. La sicurezza del farmaco è una grande ragione per questo, con la tossicità imprevista che rappresenta circa 30 percento dei fallimenti nello sviluppo di farmaci.

Le molecole scoperte dall’IA sono più efficaci nelle fasi I dei trial

Tuttavia, i dati emergenti suggeriscono che l’intelligenza artificiale e gli approcci computazionali non stanno solo affrontando queste sfide – stanno fondamentalmente trasformando la nostra capacità di prevedere esiti di successo. Le prime fasi dello sviluppo di nuovi farmaci sono particolarmente cruciali – e questo è dove l’IA e la chimica computazionale possono avere il maggior impatto.

Questi approcci di IA e computazionali possono aiutare a trovare terapie innovative efficaci per colpire le proteine giuste per trattare la malattia nella fase di scoperta e ottimizzazione iniziale, piuttosto che più tardi nel processo, che è stato a lungo il caso. La previsione della tossicità computazionale è particolarmente utile nelle prime fasi della scoperta di farmaci, poiché può escludere le molecole che sono probabili fallimenti nei trial clinici. Trovare i migliori farmaci prima – e scartare quelli che non funzioneranno – può risparmiare un decennio di ricerca costosa e aumentare la possibilità che il farmaco superi la fase di trial clinico.

Recenti ricerche su aziende biotecnologiche native AI rivelano tendenze incoraggianti che suggeriscono che gli approcci computazionali stanno iniziando a superare alcune delle sfide più fondamentali nella scoperta di farmaci. Ad esempio, un’analisi pubblicata su Drug Discovery Today ha scoperto che le molecole scoperte dall’IA sono sostanzialmente più efficaci rispetto ai valori medi storici dell’industria nelle fasi I dei trial – raggiungendo un tasso di successo dell’80-90 percento nella fase I, rispetto al 40-65 percento medio dell’industria.

Questo successo nella fase iniziale è particolarmente significativo perché indica che gli approcci guidati dall’IA stanno risolvendo una delle sfide più fondamentali nella scoperta di farmaci: progettare molecole che possiedono le multiple caratteristiche necessarie per lo sviluppo farmaceutico.

Il potere dell’ottimizzazione multi-parametrica

Al cuore di questa trasformazione si trova un’abilità che la chimica computazionale guidata dall’IA è molto più brava e veloce degli esseri umani: l’ottimizzazione multi-parametrica, il processo di bilanciamento di più proprietà di un potenziale farmaco allo stesso tempo – come la potenza, la sicurezza, la specificità, la permeabilità della barriera emato-encefalica e molte altre. Ciò rende più accurato, veloce ed efficiente progettare i candidati più promettenti, anche se quelle proprietà sono in conflitto tra loro.

Gli approcci tradizionali alla scoperta di farmaci possono ottimizzare solo un parametro alla volta, rendendo difficile migliorare un aspetto senza influenzare negativamente gli altri. Ad esempio, un farmaco destinato a trattare i tumori cerebrali deve essere in grado di penetrare la barriera emato-encefalica per raggiungere il cervello. Ma un farmaco che attraversa la barriera in modo efficiente potrebbe non essere sufficientemente selettivo nel suo bersaglio, il che potrebbe ridurre l’efficacia del farmaco o causare effetti collaterali indesiderati. Gli approcci tradizionali potrebbero ottimizzare questioni come la permeabilità della barriera emato-encefalica per prima e affrontare altre proprietà in seguito, potenzialmente spingendo i problemi più avanti nel processo invece di affrontarli all’inizio.

Nel frattempo, gli strumenti computazionali migliorati dall’IA cambiano fondamentalmente l’approccio alla progettazione di farmaci. Piuttosto che un’ottimizzazione sequenziale che può portare a fallimenti nella fase successiva, l’IA consente un’ottimizzazione simultanea su tutti i parametri critici già nella fase di scoperta. Con l’IA, i ricercatori possono immettere dati su più vincoli e chiedere agli algoritmi di trovare una molecola nota che funzioni meglio con tutti quei vincoli – o generarne una nuova. Utilizzando strumenti di apprendimento automatico e IA in rapida evoluzione per sviluppare candidati farmaceutici ottimali più velocemente e con maggiore accuratezza, analizzando simultaneamente più parametri, aumenta la probabilità di successo e si prevede che porterà allo sviluppo di trattamenti più efficaci, affidabili e sicuri per i pazienti.

Gli strumenti computazionali basati sull’IA possono anche apprendere i requisiti unici per diverse aree terapeutiche. Gli algoritmi dell’IA possono incorporare questi requisiti sfumati per generare candidati farmaceutici progettati per malattie e organi bersaglio specifici, piuttosto che semplicemente soddisfare criteri generali per essere molecole farmacologicamente attive. Ad esempio, un composto che si rivolge ai tumori cerebrali affronta sfide di ottimizzazione diverse rispetto a quelle progettate per l’infiammazione cronica associata a malattie come l’artrite, il diabete, l’aterosclerosi e altre.

Per veramente potenziare questi approcci guidati dall’IA, sono richiesti dataset ultra-larghi di molecole, sia per lo screening che, più importante, per addestrare questi modelli. Più grande è il dataset, più ampio è lo spazio chimico coperto, il che aumenta anche le probabilità di successo. Invece di eseguire lo screening su decine di migliaia (o anche solo pochi milioni) di molecole e spostare alcune decine nello sviluppo, i ricercatori computazionali possono eseguire lo screening su fino a decine di miliardi di molecole.

Il prossimo passo: Integrare gli approcci dell’IA nelle pipeline di sviluppo

Con l’aumento della complessità di questi approcci, una sfida importante è la capacità di eseguirli su larga scala. Pertanto, il prossimo passo per sfruttare l’IA nella scoperta di farmaci è incorporare strumenti che consentano di scalare il processo di scoperta attraverso l’uso di agenti dell’IA – sistemi computazionali autonomi che possono eseguire compiti o processi complessi senza un intervento umano costante.

Ad esempio, gli agenti possono essere utilizzati per raccogliere e analizzare la quantità necessaria e costantemente crescente di informazioni e scartare i candidati farmaceutici meno rilevanti.

Una volta che gli agenti sono stati addestrati su molti parametri, vincoli chimici e altre variabili rilevanti come i livelli di tossicità e i requisiti della FDA, saranno in grado di fornire ai ricercatori i principali candidati molecolari per qualsiasi malattia.

La sfida dell’industria farmaceutica ora non è se adottare la progettazione di farmaci computazionale guidata dall’IA, ma quanto velocemente e efficacemente può essere integrata nelle pipeline di sviluppo esistenti. Sebbene rimangano sfide, le prime prove suggeriscono che l’IA e la chimica computazionale detengono la chiave per sviluppare farmaci migliori, più efficienti e che raggiungono più pazienti più velocemente che mai.