Drug Discovery: l'Intelligenza Artificiale sostituirà lo Screening High-Throughput? 

Per decenni le aziende farmaceutiche si sono affidate allo screening high-throughput (HTS) come prima fase del processo di drug discovery. A seguito di uno screening iniziale di migliaia di composti, gli scienziati selezionano un elenco di farmaci candidati da sottoporre a ulteriori test a valle. Uno dei limiti dell'HTS tuttavia, è la necessità di sintetizzare tutti i composti utilizzati nello screening. Composti che, per essere testati, devono esistere fisicamente. Si tratta di un limite al numero di composti che possono essere analizzati e, di conseguenza, al processo stesso di drug discovery.

E se, grazie all'intelligenza artificiale, potessimo testare i composti prima che vengano sintetizzati?

I metodi computazionali che utilizzano l'intelligenza artificiale consentono ai ricercatori di lavorare su una vasta libreria di composti virtuali nella fase iniziale dello screening, eliminando quindi la necessità di agire su composti fisici. Una prospettiva eccitante, ma che nasconde tuttavia alcune limitazioni.

Lo sviluppo di metodi di IA è molto impegnativo, perché richiede grosse quantità di dati sui target farmacologici e sulle strutture cristalline. Complessità che hanno di fatto finora limitato lo sviluppo di metodi IA di screening high-throughput. Il recente sistema computazionale chiamato AtomNet però, promette un approccio semplificato e meno limitante.

AtomNet, il futuro dell'High-Throughput

AtomNet è paragonabile a una mappa digitale, in cui ogni punto rappresenta un atomo e ogni linea una distanza distanza. AtomNet esamina i gruppi di atomi che fanno parte di molecole più grandi (come i candidati farmaci e le loro proteine bersaglio), considerando però solo quelli abbastanza vicini da poter interagire tra loro. Questo modello impara a fare previsioni sull'efficacia di un farmaco potenziale, sulla sua compatibilità con la proteina bersaglio e sulla forza della loro interazione.

Una recente pubblicazione sulla rivista Scientific Reports ha perfettamente dimostrato il potere predittivo di AtomNet. Gli autori hanno utilizzato questo modello di intelligenza artificiale per identificare farmaci candidati per 318 bersagli di interesse, lavorando con centinaia di laboratori accademici e di screening in tutto il mondo per convalidare fisicamente i risultati. AtomNet è riuscito a indentificare con successo farmaci strutturalmente nuovi per il 73% dei bersagli valutati. Un tasso di successo molto al di sopra di quello ottenuto dai sistemi di HTS tradizionali (50%).

Oltre all'alto tasso di successo, AtomNet è stato anche in grado di identificare nuove strutture (evitando tutti i composti che altro non erano che lievi modifiche di composti bioattivi già noti). Ad esempio, il modello ha identificato candidati validi per la modulazione delle interazioni proteina-proteina e per target che al momento non presentano inibitori noti in letteratura. Un lavoro che apre prospettive tutte nuove nel mondo della drug discovery.

Il successo di AtomNet indica come l'intelligenza artificiale potrebbe presto sostituire l'HTS come metodo principale per lo screening iniziale, dando vita a una ricerca più efficiente, economica e mirata. Ogni miglioria e perfezionamento dei modelli di IA finirà col ridefinire i confini della ricerca farmaceutica, a beneficio dei pazienti affetti da malattie ad oggi ritenute incurabili.

Ti è piaciuto questo articolo? Condividilo!

Non sei ancora iscritto alla nostra newsletter? Iscriviti subito per essere sempre aggiornato sui nuovi articoli!