Tra le più grandi minacce alla salute umana con cui stiamo facendo i conti nel nostro secolo, quella della resistenza agli antibiotici è una delle più gravi in assoluto. Basti pensare che solo l’anno precedente la pandemia Covid-19 è stata direttamente responsabile di oltre un milione di decessi e ha contribuito a causarne quasi altri cinque milioni. Il problema, chiaramente, si aggravò in piena pandemia.
Peraltro, per decenni non sono state sviluppate nuove classi di antibiotici. E questo è uno dei motivi per cui ci troviamo in questa pericolosa situazione.
L’IA nuova frontiera nella scoperta di antibiotici
Fortunatamente, i ricercatori riferiscono di aver utilizzato l’intelligenza artificiale per scoprire una nuova classe di candidati antibiotici. Un team di ricercatori dello statunitense “Broad Institute of MIT and Harvard” di Cambridge (Massachusetts) ha utilizzato un tipo di Intelligenza Artificiale – nota come Deep Learning (o “apprendimento profondo”) – per vagliare milioni di composti per l’attività antibiotica[1].
I ricercatori dell’ateneo americano hanno testato su cavie più di duecentottanta composti a loro avviso “promettenti”, trovandone alcuni efficaci contro lo Staphylococcus aureus, resistente alla meticillina (MRSA), e altri efficaci contro gli enterococchi resistenti alla vancomicina, ossia alcuni dei patogeni più ostinati e difficili da eliminare in natura. A differenza di un “tipico” modello di Intelligenza Artificiale, che opera come una sorta di scatola nera, al MIT è stato possibile seguire il ragionamento di questo modello e comprendere la biochimica che lo sottende. Lo sviluppo della ricerca si basa su precedenti ricerche sia del Broad Institute of MIT and Harvard che di altri atenei statunitensi.
Il machine learning per un nuovo “concetto” di antibiotico
La scoperta di una nuova classe di antibiotici grazie all’Intelligenza Artificiale può rappresentare un fondamentale punto di svolta nella lotta all’antibiotico-resistenza. I ricercatori del MIT hanno utilizzato il Deep Learning per cercare di scoprire un nuovo tipo (o, per meglio dire, “concetto”) di antibiotico, implementando anche nozioni di Intelligenza Artificiale cosiddetta “spiegabile”. Il che è interessante, perché quando pensiamo al Machine Learning (apprendimento automatico) e al Deep Learning (apprendimento profondo), li consideriamo come “qualcosa di ignoto”.
È interessante iniziare a pensare come incorporare la spiegabilità in alcuni modelli di Intelligenza Artificiale, soprattutto in settori come la biologia e la chimica.
Scoprire in poche ore migliaia di candidati preclinici
L’Intelligenza Artificiale (e le macchine, in generale) sono in grado di estrarre sistematicamente – e molto rapidamente – qualsiasi tipo di dataset che viene loro fornito. Se si pensa alla tradizionale “pipeline” di scoperta degli antibiotici, ci vogliono circa dodici anni per scoprire un nuovo antibiotico; mentre ci vogliono dai tre ai sei anni per scoprire i candidati clinici. Poi bisogna passare alla fase I, alla fase II e alla fase III della sperimentazione clinica. Il che significa ulteriore tempo. Ora, con la soluzione scoperta presso il Broad Institute of MIT and Harvard siamo in grado di accelerare questo processo. Al MIT, ad esempio, è possibile scoprire in poche ore migliaia o centinaia di migliaia di candidati preclinici, invece di dover aspettare da tre a sei anni. E tutto ciò non sarebbe stato possibile senza l’Intelligenza Artificiale. Mentre l’uso del Deep Learning ha permesso di selezionare milioni di composti chimici per identificarne un paio che sembravano promettenti. Cosa veramente molto difficile da fare manualmente.
Prossimi passi: dalla ricerca preclinica agli studi sull’uomo
Ora resta da vedere quali saranno i prossimi passi da affrontare per tradurre questa nuova classe di antibiotici in farmaci clinici. Sono necessari studi sistematici sulla tossicità e studi che possano ottenere il permesso di avviare studi clinici sull’uomo e, conseguentemente, di approvare le richieste di commercializzazione dei farmaci. Negli Stati Uniti, in particolare, la Food and Drug Administration (il corrispettivo della nostra AIFA negli States) richiede di effettuare determinati studi per valutare se il farmaco possa potenzialmente passare alla fase I di sperimentazione clinica, che è la prima fase di qualsiasi sperimentazione clinica su medicinali. Quindi, va da sé, che sul punto siamo ancora agli inizi. Tuttavia, si può ritenere che siamo dinanzi a un passo avanti molto entusiasmante circa l’utilizzo dell’Intelligenza Artificiale nel campo della microbiologia e degli antibiotici che, magari, un giorno potrà creare antibiotici in grado di salvare vite umane.
L’IA spiegabile: verso una maggiore comprensione della tecnologia
Infine, potremmo pensare all’Intelligenza Artificiale come a una disciplina ingegneristica. In ingegneria, si è sempre in grado di “smontare i diversi pezzi” che costituiscono una sorta di struttura e di capire cosa fa ciascun pezzo. Ma nel caso dell’Intelligenza Artificiale, e in particolare del Deep Learning, poiché si tratta di una “scatola nera”, non sappiamo cosa succede nel mezzo. È molto difficile ricreare ciò che è successo per ottenere il composto X o Y o la soluzione X o Y.
Quindi, iniziare a scavare nel mistero di questa incognita, per vedere cosa succede effettivamente in ciascuno di questi passaggi, è un passo fondamentale per poter trasformare l’Intelligenza Artificiale in una disciplina ingegneristica.
Un primo passo nella giusta direzione è quello di utilizzare un’Intelligenza Artificiale spiegabile per cercare di capire cosa sta facendo la macchina. Così da rendere questa tecnologia più conosciuta e più intellegibile. [2]
Note
[1] Discovery of a structural class of antibiotics with explainable deep learning. Nature. https://www.nature.com/articles/s41586-023-06887-8
[2] New Class of Antibiotics Discovered Using AI. Scientific American. https://www.scientificamerican.com/article/new-class-of-antibiotics-discovered-using-ai/
