Negli ultimi due decenni, lo sviluppo farmaceutico è stato trasformato da innovazioni tecnologiche e dall’introduzione di strumenti come il Next-Generation Sequencing (NGS), la genomica clinica e la GenAI multimodale.
E nel 2025 potremmo vedere i primi risultati importanti, con un gruppo di farmaci trovati grazie all’uso dell’AI che arrivano sul mercato.
Questi progressi hanno permesso di affrontare le sfide legate a tempistiche lunghe, altissimi costi e basse probabilità di successo (PoS). Il PoS è un indicatore con il quale si misura la probabilità che un farmaco candidato progredisca con successo da una fase di sviluppo clinico alla successiva.
Gli ostacoli nel processo di sviluppo di nuovi farmaci
Lo sviluppo di un farmaco è un processo complesso e costoso, che richiede competenze multidisciplinari e investimenti ad alto rischio. Le principali sfide per le farmaceutiche sono tempi lunghi, costi elevati e una bassa PoS, con conseguenze dirette sulla produzione e sull’accesso dei pazienti a cure innovative.
Tempi lunghi: una barriera alla rapidità dell’innovazione
Negli anni ’60, 1 miliardo di dollari (ai prezzi del 2008) spesi in ricerca e sviluppo (R&S) produceva circa dieci nuovi farmaci. Oggi lo stesso miliardo di dollari non è sufficiente per produrne nemmeno uno.
In media, oggi ci vogliono dieci anni e più di 2 miliardi di dollari per sviluppare un farmaco dall’inizio alla fine. Anche i rischi sono elevati: meno di un decimo dei candidati farmaci che entrano in sperimentazione clinica viene approvato dalle autorità di regolamentazione.
Nell’ultimo decennio la Food and Drug Administration americana ha approvato in media solo 53 farmaci all’anno.
Nella scoperta, i ricercatori identificano bersagli biologici (i cosiddetti target), sviluppano molecole e le testano su pazienti con specifiche caratteristiche cliniche. Già nella selezione dei pazienti, la disponibilità e qualità dei dati è un primo importante ostacolo.
Le sperimentazioni cliniche, in tre fasi, coinvolgono migliaia di pazienti per valutare sicurezza, efficacia e tollerabilità, con ulteriori complessità legate ai requisiti regolatori. Risultati negativi possono causare ritardi o l’abbandono dei progetti. Per malattie gravi come il cancro, questi tempi rappresentano una barriera critica, spingendo l’industria ad introdurre soluzioni tecnologiche per accelerarne il processo.
Costi elevati: un peso economico significativo
Le sperimentazioni cliniche, con migliaia di pazienti e rigorosi requisiti normativi, rappresentano una delle voci più onerose. Anche produzione e distribuzione, specialmente per farmaci biologici o terapie avanzate, aumentano le spese.
Questo scenario è particolarmente sfidante per le PMI farmaceutiche – tra cui le biotech – che rappresentano , fonti di innovazione, ma con risorse limitate. Sono quindi essenziali degli strumenti per ridurre localmente e globalmente i costi di produzione.
Probability of Success: una sfida di rischio e incertezza
La probabilità che un farmaco arrivi sul mercato è inferiore al 10%, con la maggior parte dei fallimenti che avvengono nelle fasi cliniche, dovuti a mancanza di efficacia, problemi di sicurezza o ostacoli regolatori. Questi fallimenti aumentano i costi e rallentano il progresso scientifico, ritardando le cure per i pazienti. Migliorare la PoS è quindi una priorità per l’industria farmaceutica.
Una nuova era nella ricerca farmaceutica: accesso ai dati, NGS e genomica clinica
L’inizio degli anni ‘90 ha segnato una svolta fondamentale nel panorama dello sviluppo dei farmaci resa possibile da una combinazione di fattori culturali e tecnologici che hanno consentito cambiamenti normativi, innovazioni tecnologiche e progressi metodologici.
Cambiamenti normativi
A partire dagli anni ’90, il quadro normativo internazionale è evoluto, promuovendo una maggiore condivisione dei dati scientifici. Gli Stati Uniti hanno introdotto politiche di libero accesso ai dati delle sperimentazioni cliniche, favorendo la trasparenza e la collaborazione tra accademici, industrie farmaceutiche e istituzioni regolatorie. Questo ha creato un ambiente favorevole all’uso dell’Intelligenza Artificiale (AI) per l’analisi di grandi set di dati.
Innovazioni tecnologiche: il Next Generation Sequencing
Il NGS, introdotto nei primi anni 2000, ha rivoluzionato il settore biomedico, riducendo i tempi e i costi di sequenziamento rispetto alle tecnologie precedenti. Ha permesso di scoprire varianti genetiche associate a malattie, migliorandone la comprensione dei meccanismi molecolari di base. Grazie alla sua rapidità ed economicità, è ora possibile stratificare i pazienti per profilo genetico, ottimizzando le terapie e riducendo il rischio di effetti collaterali. NGS ha reso la raccolta e l’analisi dei dati genomici più veloci ed efficienti, accelerando le fasi iniziali dello sviluppo farmaceutico.
Cambiamenti metodologici: la genomica clinica
Prima dell’era della genomica clinica, la scelta dei target terapeutici si basava principalmente su approcci empirici. Una svolta metodologica nello sviluppo dei farmaci si è avuta attraverso alla Genomica Clinica, grazie alla quale si è introdotto un approccio basato sull’integrazione dei dati genomici nelle strategie terapeutiche. Questa disciplina, che combina la genomica con la medicina clinica, ha rivoluzionato due aspetti critici: la selezione dei target terapeutici e la stratificazione dei pazienti.
Nuove discipline emergenti: la Bioinformatica Clinica
La diretta conseguenza dell’introduzione della Genomica Clinica su larga scala, in campo industriale e ospedaliero, è l’enorme espansione della mole di dati generati in poco tempo dalle apparecchiature NGS. La sfida di gestire questo enorme flusso è assegnata a branche interdisciplinari, come la Bioinformatica Clinica, posta all’intersezione tra statistica, biologia e informatica, con particolare attenzione alle applicazioni cliniche on-label e off-label dei nuovi farmaci genomics-driven.
Tra i vari compiti assegnati alla Bioinformatica Clinica, la possibilità di ridurre l’enorme mole dei raw-data genomici prima di darli in pasto ai modelli di AI, permettendo di ridurre il rumore informativo. Inoltre, in ottica di trasparenza e riproducibilità dei risultati è fondamentale la capacità di ricostruire tutti i passi analitici che permettono di trasformare il dato grezzo non processato al report clinico. Nell’era della Genomica Clinica e dell’AI, infatti, la reportistica clinica è fortemente influenzata dal know-how precedente e dai diversi livelli di evidenza tra alterazione molecolare e farmaco bersaglio.
Impatti combinati sui fallimenti e sulla precisione
La sinergia tra cambiamenti normativi, tecnologici e metodologici ha avuto un impatto positivo sull’intero ciclo di sviluppo dei farmaci. Con una selezione più accurata dei target e una migliore stratificazione dei pazienti, molti fallimenti che in passato si verificavano nelle fasi cliniche sono stati prevenuti. Lo sviluppo di farmaci mirati per sottogruppi di pazienti geneticamente definiti ha migliorato significativamente l’efficacia dei trattamenti, riducendo al contempo i rischi di effetti avversi.
Il ruolo della genomica clinica nei processi di creazione di nuovi farmaci
La genomica ha un ruolo chiave nello sviluppo di farmaci basato sull’AI, grazie alla sua capacità di guidare la personalizzazione delle terapie e identificare target terapeutici validi. Utilizzando dati genomici, è possibile stratificare i pazienti in modo preciso, migliorando le probabilità di successo nelle successive fasi della sperimentazione.
La genomica clinica consente di correlare varianti genetiche con obiettivi clinici, trasformando il drug discovery da un approccio basato su target convenzionali a uno centrato sul profilo genomico del paziente. Studi hanno dimostrato che i farmaci sviluppati su target con forte evidenza genetica hanno maggiori probabilità di successo clinico, riducendo i fallimenti.
La genomica supporta anche la Precision Medicine, identificando pazienti che rispondono meglio a specifiche terapie e ottimizzando il rapporto rischio-beneficio. Biomarcatori genetici sono utilizzati per progettare studi clinici più mirati, riducendo il numero di partecipanti necessari e aumentando l’efficacia complessiva.
L’integrazione dei dati genomici con altre fonti cliniche e omiche, automatizzata tramite AI, permette di generare insight più accurati e prevedere eventi avversi, aumentando la sicurezza delle terapie. Tuttavia, la complessità e la quantità di dati richiedono strumenti avanzati, e le questioni etiche, come la tutela della privacy, devono essere affrontate con attenzione.
Il ruolo della genomica clinica crescerà grazie all’integrazione con le tecnologie AI, migliorando la selezione dei target e la stratificazione dei pazienti, riducendo tempi e costi e promuovendo un approccio più personalizzato. Collegando dati clinici e genomici, è possibile identificare trattamenti off-label o opportunità di repurposing dei farmaci, ampliando le opzioni terapeutiche per i pazienti.
La GenAI multimodale
Sin dalle prime sperimentazioni con la GenAI si sono manifestate le basi per il suo impiego in biologia. L’attenzione verso i modelli generativi in ambito farmaceutico ha raggiunto il livello di attenzione più alto con l’assegnazione dei premi Nobel per Demis Hassabis e John Jumper per l’AlphaFold che è in grado di predire le strutture proteiche. La multimodalità, in particolare, è uno dei progressi più significativi nell’applicazione dell’AI alla scoperta di farmaci.
L’adozione della GenAI Multimodale nel settore farmaceutico ha trasformato profondamente i processi di scoperta e sviluppo dei farmaci, affrontando i tre principali problemi del settore: tempi lunghi, costi elevati e bassa PoS. Questa tecnologia integra vari tipi di dati — es. genomici, clinici, chimici — creando un approccio data-driven, più dinamico ed efficiente rispetto ai processi tradizionali, tipicamente lineari e ad alto rischio.
Gli LMM (modelli linguistici multimodali) possono gestire vari tipi di input, come testo, immagini e dati strutturali, per generare output utili per l’analisi simultanea di diverse fonti di dati. Questo approccio supera le limitazioni dei metodi tradizionali che analizzano solo singole modalità di informazione. La multimodalità può combinare dati omici con caratteristiche chimiche e cliniche per identificare target terapeutici e prevedere risposte cliniche con maggiore precisione, migliorando l’affidabilità dei candidati farmacologici. Ad esempio gli LMM sono in grado di esplorare contemporaneamente sequenze genetiche e dati clinici, per migliorare caratteristiche cruciali come efficacia, sicurezza e biodisponibilità. Un esempio pratico è l’utilizzo di LMM per correlare varianti genetiche con biomarcatori clinici, ottimizzando la stratificazione dei pazienti per studi clinici e migliorando la selezione dei candidati per le fasi cliniche.
L’impatto della GenAI multimodale sulla PoS è notevole: l’applicazione di questi modelli ha migliorato la qualità dei candidati selezionati per gli studi clinici, migliorando il PoS, soprattutto nelle fasi avanzate. La multimodalità accelera il processo di drug discovery, permettendo di testare milioni di molecole in tempi molto più brevi rispetto ai metodi tradizionali.
In sintesi, l’adozione della GenAI multimodale nel settore farmaceutico migliora l’efficienza, la personalizzazione e la precisione nello sviluppo di farmaci, rappresentando un fattore chiave per migliorare il PoS nelle fasi cliniche e per innovare la drug discovery moderna.
L’ascesa della GenAI multimodale nel settore farmaceutico
Il successo della GenAI multimodale si deve a tre fattori chiave: l’accesso ai dati clinici aperti, il NGS e la Genomica Clinica. I dati clinici aperti hanno fornito materiale per addestrare modelli multimodali, migliorandone l’efficacia. L’NGS ha creato dataset complessi ideali per l’integrazione della GenAI, mentre la Genomica Clinica ha dimostrato il valore di un approccio multimodale per identificare terapie personalizzate. Questi fattori hanno creato un ecosistema che consente alla GenAI multimodale di affrontare le sfide dello sviluppo farmaceutico.
Impatto della GenAI Multimodale sui tempi di sviluppo di nuovi farmaci
La GenAI multimodale ha ridotto i tempi di sviluppo dei farmaci, ottimizzando diverse fasi. Integrando dati genomici, chimici e clinici, può identificare bersagli terapeutici più velocemente. Modelli multimodali analizzano simultaneamente dati genomici, immagini e articoli scientifici, trovando correlazioni che richiederebbero anni di ricerca manuale. La generazione automatica di strutture molecolari accelera la progettazione di farmaci candidati, prevedendo l’affinità con i target. Inoltre, la GenAI ottimizza il disegno degli studi clinici, identificando i pazienti idonei e riducendo i tempi di reclutamento.
Impatto della GenAI Multimodale sui costi di sviluppo di nuovi farmaci
La GenAI multimodale ha ridotto i costi dello sviluppo farmaceutico aumentando l’efficienza. Identificando precocemente i candidati con basso potenziale, riduce lo spreco di risorse. Nelle fasi precliniche, integra dati di laboratorio e modelli computazionali per previsioni più accurate su sicurezza ed efficacia. L’analisi in tempo reale delle sperimentazioni consente di individuare problematiche rapidamente, evitando ripetizioni o modifiche ai protocolli. Inoltre, automatizzando compiti complessi come l’analisi di immagini istologiche, abbassa i costi legati al lavoro manuale e alle risorse umane.
Impatto della GenAI Multimodale sulla Probability of Success dei nuovi farmaci
La GenAI multimodale ha migliorato la PoS, ottimizzando la selezione dei target terapeutici, la progettazione dei farmaci e la stratificazione dei pazienti. Integrando dati multimodali, la GenAI valida i target con maggiore affidabilità, riducendo i rischi. La stratificazione avanzata consente di progettare farmaci specifici per sottogruppi, aumentando l’efficacia e riducendo il rischio di fallimento, come dimostrato nell’oncologia con terapie mirate. I modelli multimodali prevedono con maggiore accuratezza gli esiti degli studi clinici, permettendo alle aziende di adattare le strategie in base alle PoS.
Primi esempi di applicazioni su larga scala
I primi esempi di GenAI nella drug discovery risalgono al 2017 con aziende come Insilico Medicine e AstraZeneca, che hanno trasformato i processi di ricerca e la gestione dei dati. Un recente studio su 39 aziende AI ha evidenziato un aumento della PoS in Fase 1, passando dal 40-65% al 80-90%. DSP-1181, il primo farmaco progettato con AI, ha completato la fase di discovery in soli 12 mesi, rispetto ai 4-5 anni tradizionali. Insilico Medicine ha generato molecole candidate in 18 mesi, mentre BenevolentAI ha identificato il baricitinib come trattamento per il COVID-19 in tre giorni.
La società di consulenza Bcg stima che circa 65 molecole ispirate all’ai siano attualmente in fase di sperimentazione umana. Circa un terzo di queste si trova nella seconda fase degli studi clinici, in cui il farmaco viene testato per verificarne l’efficacia e gli effetti collaterali. Le aziende devono poi decidere se procedere con i più costosi studi di fase tre su una popolazione più ampia. Meno di un terzo dei candidati farmaci fa questo salto.
Il 2025
Nel corso del 2025, i risultati di questa seconda fase cruciale saranno comunicati per più di mezza dozzina di farmaci. Alcuni farmaci progettati dall’intelligenza artificiale si sono già arenati in questa fase. Benevolentai ed Exscientia, due promettenti start-up britanniche, hanno recentemente riportato risultati deludenti negli studi clinici per i loro farmaci contro l’eczema e il cancro.
Nonostante queste battute d’arresto, Christoph Meier di Bcg ritiene che i metodi basati sull’ai potrebbero raddoppiare la produttività della ricerca e sviluppo. E sembra probabile che quattro o cinque trattamenti sviluppati dall’AI, se non di più, possano passare alla fase tre di sperimentazione nel 2025.
Si tratta di un piccolo campione, ma questi farmaci indicano un profondo cambiamento nello sviluppo dei farmaci. Sebbene l’ai debba ancora accorciare i tempi delle sperimentazioni cliniche, sta già aiutando le aziende farmaceutiche a fare scelte più intelligenti su quali molecole portare avanti, riducendo i tassi di fallimento e tagliando i costi.
Una ricerca condotta da Andreas Bender dell’Università di Cambridge, ad esempio, dimostra che riducendo di appena il 20% i fallimenti nella seconda fase di sperimentazione si potrebbero risparmiare quasi 450 milioni di dollari sullo sviluppo di un singolo farmaco.
Sfide attuali e ricadute complessive della GenAI sul settore farmaceutico
L’adozione della GenAI ha migliorato l’efficienza operativa e la qualità dei trattamenti, accelerando lo sviluppo e riducendo i costi. Tuttavia, persistono sfide, come la gestione della complessità biologica, l’integrazione dei dati e i requisiti regolatori. L’affinamento continuo degli algoritmi è necessario per affrontare la crescente complessità delle terapie avanzate. Inoltre, è cruciale bilanciare velocità e qualità nello sviluppo farmaceutico, ottimizzando i modelli AI per aumentare le PoS.
L’integrazione di dati eterogenei e la necessità di competenze interdisciplinari pongono ulteriori sfide, così come i bias nei modelli AI e la mancanza di trasparenza dei processi interni ai modelli AI. Le normative non sono ancora completamente adeguate, e l’uso di dati sensibili solleva preoccupazioni etiche e privacy. Inoltre, l’accesso disomogeneo ai dati genomici amplifica le disuguaglianze nella ricerca.
Prospettive future
Il futuro dello sviluppo farmaceutico con l’AI vedrà un’evoluzione continua della multimodalità e della genomica clinica, con focus su integrazione, efficienza e personalizzazione. Queste tecnologie, ancora in fase di maturazione, hanno un potenziale enorme per superare le attuali limitazioni del settore. I modelli AI avanzati gestiranno dataset complessi, migliorando la comprensione delle interazioni farmaco-target. Gli strumenti di explainable AI (xAI) applicati agli Small Language Models aumentano la trasparenza, l’affidabilità e la precisione degli output come discusso negli articoli “Explainambiguity: When What You Think Is Not What You Get”, “Correct But Misleading: AI Hallucinations In Complex Decision-Making” e “Scienze della vita: la svolta degli Small Language Model”, facilitando l’accettazione regolatoria. L’adozione dell’AI crescerà, ma richiederà infrastrutture solide, standardizzazione delle pipeline e formazione. Le collaborazioni tra industria, accademia e autorità regolatorie accelereranno l’integrazione, riducendo i fallimenti nelle fasi cliniche e aumentando la sostenibilità economica.
L’integrazione di AI e genomica clinica sta trasformando lo sviluppo farmaceutico. L’analisi di dati multimodali consente di identificare candidati farmacologici con maggiore probabilità di successo nelle fasi cliniche. I risultati iniziali mostrano riduzioni significative nei tempi e costi di sviluppo, con miglioramenti nella PoS. Il futuro del settore vedrà una stretta collaborazione tra expertise umana e AI, bilanciando accelerazione e sicurezza. Monitorare i risultati a lungo termine sarà cruciale per validare questo approccio e definire il ruolo strategico dell’AI nelle sfide future dello sviluppo farmaceutico.
Bibliografia
- Global Trends in R&D 2024: Activity, productivity, and enablers – Annual trend report from the IQVIA Institute for Human Data Science – Feb 22, 2024
- Madura KP Jayatunga, Margaret Ayers, Lotte Bruens, Dhruv Jayanth, Christoph Meier
How successful are AI-discovered drugs in clinical trials? A first analysis and emerging lessons Drug Discovery Today d Volume 29, Number 6 d June 2024 - S.M. Paul, et al. How to improve R&D productivity: the pharmaceutical industry’s grand challenge Nat Rev Drug Discov, 9 (2010), pp. 203-214, 10.1038/nrd3078
- B. Kelley Developing therapeutic monoclonal antibodies at pandemic pace Nat Biotechnol, 38 (2020)
- A. Blanco-González, et al. The role of AI in drug discovery: challenges, opportunities, and strategies Pharmaceuticals, 16 (2023)
- D.N. Nicholson, C.S. Greene Constructing knowledge graphs and their biomedical applications Comput Struct Biotechnol J, 18 (2020)
- C. Bilodeau, W. Jin, T. Jaakkola, R. Barzilay, K.F. Jensen Generative models for molecular discovery: recent advances and challenges Wiley Interdiscipl Rev: Comput Mol Sci, 12 (2022)
- J. Jumper, et al. Highly accurate protein structure prediction with AlphaFold Nature, 596 (2021)
- X. Pan, et al. Deep learning for drug repurposing: methods, databases, and applications Wiley Interdiscipl Rev: Comput Mol Sci, 12 (2022)
- R. Qureshi, et al. AI in drug discovery and its clinical relevance Heliyon, 9 (2023)
- J.A. Ruffolo, L.-S. Chu, S.P. Mahajan, J.J. Gray Fast, accurate antibody structure prediction from deep learning on massive set of natural antibodies Nat Commun, 14 (2023)
- M.K.P. Jayatunga, W. Xie, L. Ruder, U. Schulze, C. Meier AI in small-molecule drug discovery: a coming wave? Nat Rev Drug Discov, 21 (2022)
- Wellcome Trust and Boston Consulting Group. Unlocking the potential of AI in drug discovery. Wellcome Trust. Published June 26th, 2023. Accessed April 16, 2024 https://wellcome.org/reports/unlocking-potential-ai-drug-discovery.
- Jayatunga M, Bruens L, Ruder L, Schulze U, Meier C. AI in biologics discovery: an emerging frontier. In Vivo Magazine. Published October 11th, 2022. Accessed April 16, 2024.https://invivo.citeline.com/IV146716/AI-In-Biologics-Discovery-An-Emerging-Frontier
- P. Kirkpatrick Artificial intelligence makes a splash in small-molecule drug discovery Biopharma Dealmakers (2022), 10.1038/d43747-022-00104-7
- AI’s potential to accelerate drug discovery needs a reality check.Nature 2023 https://doi.org/10.1038/d41586-023-03172-6
- C.H. Wong, K.W. Siah, A.W. Lo Estimation of clinical trial success rates and related parameters Biostatistics, 20 (2019)
- Thomas DW, Burns J, Audette J, Carrol A, Dow-Hygelund C, Hay M.Clinical development success rates 2006–2015. Biomedtracker. Published May 26th, 2016. Accessed April 16, 2024. https://www.bio.org/sites/default/files/legacy/bioorg/docs/Clinical%20Development%20Success%20Rates%202006-2015%20-%20BIO,%20Biomedtracker,%20Amplion%202016.pdf
- M. Hay, D.W. Thomas, J.L. Craighead, C. Economides, J. Rosenthal Clinical development success rates for investigational drugs Nat Biotechnol, 32 (2014)
- R. Spreafico, L.B. Soriaga, J. Grosse, H.W. Virgin, A. Telenti Advances in genomics for drug development Genes, 11 (2020)
- Mireku A. Difficult biotech investment ecosystem forces focus on value. Pharm. Technol. Published December 27, 2023. Accessed April 16, 2024. https://www.pharmaceutical-technology.com/features/difficult-biotech-investment-ecosystem-forces-focus-on-value/
- LaMattina J. The Inflation Reduction Act is not impacting pharma R&D – yet. Forbes. Published December 12, 2023. Accessed April 16, 2024. https://www.forbes.com/sites/johnlamattina/2023/12/12/the-inflation-reduction-act-is-not-impacting-pharma-rd–yet/
- F. Gao, K. Huang, Y. Xing Artificial intelligence in omics Genom Proteom Bioinformat, 20 (2022)
- V. Shakhnovich It’s time to reverse our thinking: the reverse translation research paradigm Clin Transl Sci, 11 (2018)
- R. Yang, Y. Yu Patient-derived organoids in translational oncology and drug screening Cancer Lett, 562 (2023)
- L. Tang Large models for genomics Nat Methods, 20 (2023)
- A. Sadybekov Computational approaches streamlining drug discovery Nature, 616 (2023)
- R. Liu et al. Systematic pan-cancer analysis of mutation–treatment interactions using large real-world clinicogenomics data Nature Medicine, 28 (2022)
- “AI, PoS, and ROI: An alphabet soup of 21st Century drug development PART 2” In Life Science Leader by Remco Jan Geukes Foppen, Vincenzo Gioia and Carlos N. Velez (2024)
- “AI, PoS, and ROI: An alphabet soup of 21st Century drug development PART 1” In Life Science Leader by Remco Jan Geukes Foppen, Vincenzo Gioia and Carlos N. Velez (2024)
- ‘Explainambiguity:’ When What You Think Is Not What You Get. In Life Science Leader by Vincenzo Gioia and Remco Jan Geukes Foppen (2024)
https://www.lifescienceleader.com/doc/explainambiguity-when-what-you-think-is-not-what-you-get-0001
- Matteo Pallocca, Martina Betti, Sara Baldinelli, Ramona Palombo, Gabriele Bucci, Luca Mazzarella, Giovanni Tonon, Gennaro Ciliberto. Clinical bioinformatics desiderata for Molecular Tumor Boards.
Briefings in Bioinformatics, 2024, 25(5)
