L’utilizzo dell’Intelligenza Artificiale in ambito farmaceutico sta riscuotendo un notevole successo negli ultimi tre anni, con notevoli passi avanti rispetto al periodo precedente, soprattutto se si pensa al suo impatto sull’abbattimento dei costi e sul raggiungimento degli obiettivi in tempi alquanto fulminei per gli standard del settore.
Vediamo insieme alcuni tra i più significativi traguardi degli ultimi mesi.
L’IA contro i tumori
Uno studio[1] della Medizinische Universität Wien (Università di Medicina di Vienna) ha testato con successo l’utilizzo dell’Intelligenza Artificiale nella lotta contro un tumore. Nel dettaglio, parliamo di un test effettuato su un anziano paziente affetto da una forma aggressiva di tumore del sangue, che ben sei cicli di chemioterapia non erano riusciti a contrastare. Ad ogni ciclo di trattamento “ordinario”, i medici che lo avevano in cura avevano depennato, uno dopo l’altro, tutti i farmaci antitumorali che non riscuotevano successo.
A corto di soluzioni, i medici avevano invitato il paziente a partecipare ad una sperimentazione organizzata dall’università viennese, la quale stava testando una nuova tecnologia, sviluppata dall’azienda britannica Exscientia, che abbina con precisione ai singoli pazienti i farmaci di cui hanno bisogno, tenendo conto delle sottili differenze biologiche tra le persone. I ricercatori dello studio austriaco (che ha visto la partecipazione di ricercatori di Tokyo, New York e Zurigo) hanno prelevato un piccolo campione di tessuto dal paziente e hanno diviso il campione, che comprendeva sia cellule normali che cellule tumorali, in più di cento elementi, esponendoli a varie combinazioni di farmaci. Combinazione di farmaci supportata dall’utilizzo dell’automazione robotica e dei modelli di apprendimento automatico (Machine Learning) addestrati per identificare piccoli cambiamenti nelle cellule prelevate dal paziente. I ricercatori stavano facendo quello che avevano fatto i medici: provare diversi farmaci per vedere cosa funzionava.
Ma, invece di sottoporre un paziente a cicli di chemioterapia della durata di diversi mesi, i ricercatori hanno testato decine di trattamenti nello stesso momento. Con grande successo. Con la scoperta e la somministrazione del farmaco giusto, il paziente era in remissione completa: il suo cancro era scomparso.
L’apprendimento automatico per progettare nuovi farmaci
Ma la selezione del farmaco giusto è solo una parte del problema che la britannica Exscientia vuole risolvere. L’azienda di Oxford è intenzionata a rivedere l’intera catena di sviluppo dei farmaci: oltre ad abbinare i pazienti ai farmaci esistenti, si vuole utilizzare l’apprendimento automatico per progettarne di nuovi. I primi farmaci progettati con l’aiuto dell’Intelligenza Artificiale sono ora in fase di sperimentazione clinica; sarà questione di tempo verificarne la reale efficacia nelle varie fasi della ricerca.
Oltre ad Exscientia ci sono centinaia di startup che stanno esplorando l’uso dell’apprendimento automatico nell’industria farmaceutica. Oggi, in media, ci vogliono più di un decennio e miliardi di dollari per sviluppare un nuovo farmaco. L’obiettivo “comune” è quello di utilizzare l’Intelligenza Artificiale per rendere la scoperta dei farmaci più veloce, sicura ed economica. Prevedendo il comportamento dei potenziali farmaci nell’organismo e scartando “in anticipo” i composti che non funzionano, i modelli di apprendimento automatico possono ridurre la necessità di ricorrere a lunghe ed “estenuanti” procedure di laboratorio. Stiamo assistendo ad una impennata di attività e investimenti perché la crescente automazione dell’industria farmaceutica ha iniziato a produrre abbastanza dati chimici e biologici per addestrare modelli di apprendimento automatico efficaci. Tuttavia, è ancora presto per “adagiarsi sugli allori”.
L’AI e la scoperta di nuovi farmaci: le grandi promesse del “Natural Language Processing”
La tecnologia non è una panacea
Ci sono molte aziende del campo dell’Intelligenza Artificiale che fanno affermazioni che non possono sostenere come, ad esempio, dichiarare di essere in grado di prevedere perfettamente quale molecola di farmaco può attraversare l’intestino e quale molecola non può essere smembrata dal fegato. La tecnologia non è una panacea: gli esperimenti su cellule e tessuti in laboratorio e i test sugli esseri umani, le parti più lente e costose del processo di sviluppo del farmaco, non possono essere eliminati del tutto. Certo, l’uso della tecnologia fa risparmiare molto tempo e denaro; tuttavia, la validazione definitiva deve essere fatta sempre in laboratorio.
Potrebbero passare ancora alcuni anni prima che i primi farmaci progettati con l’aiuto dell’Intelligenza Artificiale arrivino sul mercato, anche se, al momento, le fasi “di base” dello sviluppo di un nuovo farmaco da zero non sono cambiate molto. In primo luogo, si sceglie un bersaglio nell’organismo con cui il farmaco dovrà interagire, ad esempio una proteina; quindi si progetta una molecola che “faccia qualcosa” per quel bersaglio, ad esempio cambiarne il funzionamento o “spegnerlo”; successivamente, si produce la molecola in laboratorio e si controlla che faccia effettivamente ciò per cui è stata progettata (e nient’altro); infine, la si testa sull’uomo per vedere se è sicura ed efficace. Per decenni i chimici hanno esaminato i farmaci candidati mettendo campioni del bersaglio desiderato in tanti piccoli compartimenti, in un laboratorio, aggiungendo diverse molecole e osservando la reazione. Ripetendo questo processo molte volte, modificando la struttura delle molecole dei farmaci candidati e sostituendo i diversi atomi tra loro. Tuttavia, molte molecole di farmaci che sembrano funzionare in laboratorio finiscono per fallire quando vengono testate sulle persone.
I tre punti critici
La nuova generazione di aziende del campo dell’Intelligenza Artificiale si sta concentrando su tre punti critici nel processo di sviluppo dei farmaci:
- individuare il bersaglio giusto nell’organismo,
- progettare la molecola giusta per interagire con esso,
- determinare in quali pazienti la molecola ha maggiori probabilità di essere utilizzata con successo.
Con l’apprendimento automatico è possibile sfruttare grandi quantità di dati, compresi quelli relativi a farmaci e molecole, per costruire automaticamente “modelli complessi”. In questo modo è molto più facile e veloce prevedere il comportamento dei farmaci nell’organismo, consentendo di effettuare molti esperimenti. I modelli di apprendimento automatico possono anche setacciare vasti bacini non sfruttati di potenziali molecole di farmaci in un modo che prima non era possibile. Il risultato è che il duro, ma essenziale, lavoro in laboratorio (e nelle seguenti fasi di studi clinici) deve essere svolto solo sulle molecole con le migliori probabilità di successo.
Prima ancora di arrivare a simulare il comportamento dei farmaci, molte aziende stanno applicando l’apprendimento automatico al problema dell’identificazione dei bersagli. L’utilizzo del linguaggio naturale per estrarre i dati da vasti archivi di relazioni scientifiche risalenti a decenni fa, tra cui centinaia di migliaia di sequenze genetiche pubblicate e milioni di articoli accademici. I modelli di apprendimento automatico possono prevedere quali sono i bersagli più promettenti su cui concentrarsi per cercare di curare una particolare malattia. Ma la scelta di un bersaglio è solo l’inizio. La sfida più grande è progettare una molecola di farmaco che faccia “qualcosa”, che sia produttiva di risultati. L’interazione tra le molecole all’interno del corpo, peraltro, è molto complicata. Molti farmaci devono attraversare ambienti ostili, come l’intestino, prima di poter svolgere il loro lavoro. Tutto il processo è regolato da leggi fisiche e chimiche che operano su scala atomica. L’obiettivo della maggior parte degli approcci alla progettazione di farmaci basati sull’Intelligenza Artificiale è quello di “navigare” tra le vaste possibilità e individuare rapidamente nuove molecole che soddisfino il maggior numero possibile di requisiti.
Le startup più promettenti
Altre startup del settore sono le statunitensi: Generate Biomedicines, con sede a Cambridge (Massachusetts), che si propone di raggiungere l’obiettivo dell’individuazione di nuove molecole utilizzando lo stesso tipo di Intelligenza Artificiale generativa che sta alla base di software per la creazione di testi e immagini come DALL-E 2 (“DALL-E 2 della biologia”)[2]; e l’azienda di Vancouver “Absci”, che sta cercando di creare nuovi farmaci a base di proteine utilizzando l’apprendimento automatico, ma con un approccio diverso[3]. Quest’ultima azienda prende gli anticorpi esistenti – le proteine che il sistema immunitario usa per eliminare batteri, virus ecc. – e usa modelli addestrati sui dati degli esperimenti di laboratorio per proporre molti nuovi design per le parti di questi anticorpi che si attaccano alla materia estranea. L’idea è quella di riprogettare gli anticorpi esistenti per renderli più adatti a legarsi ai bersagli. Dopo aver apportato modifiche simulate, i ricercatori sintetizzano e testano i progetti che funzionano meglio.
Anche l’azienda americana “Apriori Bio” (concittadina di “Generate Biomedicines”) ha “puntato le sue fiches” sul settore in esame. Tale azienda, in piena attività dal precedente periodo pandemico, costruisce milioni di varianti Covid in laboratorio e testa la capacità degli anticorpi che le possono combattere e neutralizzarle. Apriori Bio utilizza l’apprendimento automatico per prevedere come i migliori anticorpi se la “caverebbero” contro altri cento miliardi di miliardi di varianti. L’obiettivo è quello di scegliere gli anticorpi “più promettenti”, quelli che sembrano in grado di affrontare un’ampia gamma di varianti o che potrebbero combattere particolari varianti aggressive, utilizzandoli per progettare vaccini straordinariamente efficaci. D’altronde, il vero potenziale dell’Intelligenza Artificiale è di aprire un enorme bacino non sfruttato di strutture biologiche e chimiche che potrebbero diventare gli ingredienti di futuri farmaci. Una volta eliminate le molecole molto simili, si può attingere da un elenco di ingredienti di al massimo dieci milioni di molecole dalle quali partire per costruire i farmaci. Eppure, secondo le regole della chimica organica, il numero di possibili molecole che potrebbero diventare farmaci è di 1033 (secondo altre stime, 1060). Se si confronta questo numero con dieci milioni di molecole, si capisce che “stiamo pescando in una goccia e non nell’oceano”.
L’azienda californiana Verseon, invece, sta utilizzando tecniche computazionali vecchie e nuove per esplorare questo “oceano”, generando milioni di possibili molecole e testandone le proprietà. L’azienda di Fremont tratta l’interazione tra farmaci e proteine nel corpo come un problema di fisica, simulando la spinta e l’attrazione tra gli atomi che influenza il modo in cui le molecole si uniscono. Simulazioni molecolari di questo tipo non sono nuove; tuttavia, Verseon utilizza l’Intelligenza Artificiale per modellare in modo più accurato l’interazione tra le molecole. Finora l’azienda californiana ha prodotto sedici farmaci candidati per una serie di patologie, tra cui condizioni cardiovascolari, malattie infettive e cancro. Uno di questi farmaci è già in fase di sperimentazione clinica, mentre la sperimentazione di molti altri è destinata a iniziare a breve.
Come l’IA può ridurre i tempi e i costi della ricerca di nuovi farmaci
In ogni caso, al di là di tutto, i farmaci devono essere testati sugli esseri umani. Queste fasi finali dello sviluppo di un farmaco, che prevedono il reclutamento di un gran numero di volontari, sono difficili da gestire e, in genere, richiedono molto tempo: si va, alle volte, dai dieci ai venti anni. Molti farmaci “ce la fanno”, altri falliscono la prova della sperimentazione clinica. L’Intelligenza Artificiale non sarà in grado di accelerare il processo di sperimentazione clinica, ma potrebbe aiutare le aziende farmaceutiche ad aumentare le probabilità a loro favore, riducendo i tempi e i costi della ricerca di nuovi farmaci. Con meno tempo speso a testare molecole di farmaci senza prospettive in laboratorio i candidati “promettenti” arriveranno più rapidamente alla sperimentazione clinica. Inoltre, con meno soldi in gioco, le aziende potrebbero non sentirsi obbligate ad utilizzare un farmaco che non sta dando risultati particolarmente buoni.
Anche una migliore selezione dei pazienti potrebbe contribuire a migliorare l’intero processo. La maggior parte delle sperimentazioni cliniche misurano l’effetto medio di un farmaco, contando quante persone hanno avuto successo e quante no. Se un numero sufficiente di persone, in una data sperimentazione, vede un miglioramento della propria condizione, il farmaco viene considerato un successo. Se il farmaco non è efficace per una percentuale abbastanza ampia di pazienti, allora siamo dinanzi ad un fallimento. Ma questo può significare anche che piccoli gruppi di persone, per le quali un farmaco ha funzionato con successo, vengano trascurati (facendo parte del “fallimento”). Se si riuscisse a selezionare i “pazienti giusti” dall’origine, le cose potrebbero andare diversamente. È il caso dello studio austriaco in premessa. Exscientia ha prelevato campioni di tessuto da decine di pazienti oncologici sottoposti ad almeno due cicli falliti di chemioterapia e ha valutato gli effetti di 139 farmaci esistenti sulle loro cellule. L’azienda britannica, grazie alla collaborazione dei ricercatori dell’università viennese, è riuscita a identificare un farmaco che ha funzionato per oltre la metà dei pazienti. Exscientia vuole utilizzare questa tecnologia per modellare il proprio approccio allo sviluppo dei farmaci, incorporando i dati dei pazienti nelle prime fasi del processo per addestrare un’Intelligenza Artificiale “migliorata”.
Conclusioni
Per ora, il primo gruppo di farmaci progettati dall’Intelligenza Artificiale sta ancora attraversando la strada della sperimentazione clinica. Potrebbero passare mesi, o addirittura anni, prima che i primi farmaci passino e arrivino sul mercato. Alcuni potrebbero non farcela. Ma anche se questo primo gruppo dovesse fallire, ce ne sarà un altro. La progettazione dei farmaci, in poche parole, è cambiata per sempre.[4]
Note
- Functional Precision Medicine Provides Clinical Benefit in Advanced Aggressive Hematologic Cancers and Identifies Exceptional Responders. National Library of Medicine. https://pubmed.ncbi.nlm.nih.gov/34635570/ ↑
- Intelligenza artificiale, ora Dall-E 2 sa anche creare le proteine: i possibili sviluppi. Agenda Digitale. https://www.agendadigitale.eu/sanita/intelligenza-artificiale-biotecnologia-farmaci/ ↑
- Absci Pursues Google-Sized Ambitions in Drug Discovery, Manufacturing. Genetic Engineering & Biotechnology News. https://www.genengnews.com/topics/drug-discovery/antibodies/absci-pursues-google-sized-ambitions-in-drug-discovery-manufacturing/ ↑
- AI is dreaming up drugs that no one has ever seen. Now we’ve got to see if they work. MIT Technology Review. https://www.technologyreview.com/2023/02/15/1067904/ai-automation-drug-development/ ↑
