E’ sotto gli occhi di tutti, l’intelligenza artificiale (IA) sta rivoluzionando le nostre vite, ma la rivoluzione più grande è proprio quella che si sta realizzando nelle tecnologie applicate alla medicina, in primis nel percorso di ricerca e sviluppo di farmaci. Lo sfruttamento delle potenzialità dell’IA consente di accelerare il processo di identificazione di nuove terapie come non si era mai visto prima, con la previsione di rendere l’intero percorso “dal bancone di laboratorio al letto del paziente” estremamente più rapido, efficiente ed economico. La messa a disposizione del vaccino anti-COVID-19 ne è stata la prova tangibile. Innumerevoli sono i vantaggi, certamente non privi di sfide.
Fino ad oggi sono stati necessari 12 anni per sviluppare un farmaco, dalla sua prima identificazione fino al mercato. In media 1 molecola su 100.000 potenzialmente attive su un target terapeutico riusciva ad avere successo, con un costo medio stimato per l’intero processo di circa 2 miliardi di dollari (1).
L’IA sta trasformando radicalmente questo panorama a partire dal drug discovery, ovvero la ricerca di molecole candidate al trattamento di specifiche condizioni di malattia. A rendere possibile tutto ciò, il crescente potere computazionale dei nuovi tool informatici e la disponibilità di enormi banche dati relative a target terapeutici provenienti da dati di genomica, epigenomica, proteomica, metabolomica, a composti chimici, strutture 3D delle proteine, immagini e informazioni disponibili in letteratura (2).
Partendo dalla conoscenza di un bersaglio terapeutico, già noto o identificato attraverso sistemi di analisi multiomica, gli algoritmi di apprendimento automatico (machine learning) possono selezionare da librerie di miliardi di composti le molecole con la maggiore probabilità di divenire farmaci, in base ad analisi della relazione struttura-attività. Per questi composti è possibile modellare l’interazione con proteine di cui sono noti i dati di biologia strutturale (docking) e identificare quelle molecole, i “composti hit”, per le quali si prevede la migliore efficacia biologica. Gli algoritmi di apprendimento profondo (deep learning) sono in grado di anticipare come una molecola interagirà con bersagli specifici nel corpo umano, le sue caratteristiche farmacocinetiche e il profilo tossicologico (ADMET), fornendo informazioni cruciali per la selezione dei migliori candidati. Una previsione, quindi, che contribuisce a ridurre la necessità di numerosi test in vitro e in vivo, risparmiando tempo e risorse preziose.
Una prima validazione dell’attività biologica viene quindi eseguita in laboratorio attraverso test biochimici high-throughput che forniscono dati di efficacia e affinità per il target. I risultati vengono poi reinseriti nella piattaforma di IA per generare nuove informazioni che, in un ciclo ripetuto, conducono alla selezione e ottimizzazione di una lista di “composti lead” sui quali approfondire la valutazione dell’efficacia in modelli cellulari e animali di malattia. Utilizzare i sistemi di modelling basati su IA in queste fasi precliniche si prevede potrà aumentare enormemente il rate di successo degli studi sui farmaci nelle successive fasi cliniche.
La sperimentazione sull’uomo rappresenta il tassello cruciale nello sviluppo dei farmaci e l’IA può essere impiegata per ottimizzare la progettazione e l’implementazione dei trial clinici. Gli algoritmi di IA possono analizzare i dati dei pazienti in tempo reale, identificando trend e risposte al farmaco in modo più preciso rispetto a quanto possono fare comunemente gli sperimentatori da soli. Questo può contribuire a minimizzare i rischi per i pazienti e a velocizzare l’approvazione dei farmaci da parte delle autorità regolatorie.
Un’applicazione rilevante dell’IA è, in particolare, la scoperta di nuove indicazioni per farmaci già esistenti, un approccio noto come “riposizionamento dei farmaci” (3). Algoritmi basati sull’IA possono esplorare molti dati per individuare tali opportunità, portando in meno di un anno un farmaco dalla sua identificazione alla fase 3 di sperimentazione clinica. E’ accaduto per il Raloxifene, il modulatore dei recettori degli estrogeni in uso per la terapia dell’osteoporosi, identificato attraverso la piattaforma Exscalate di Dompè farmaceutici, che è stato approvato nel 2020 da EMA e AIFA per il trattamento anti COVID-19.
Grandi prospettive all’orizzonte, quindi, ma l’adozione dell’IA nel settore farmaceutico non è priva di ostacoli. La qualità dei dati rappresenta la sfida cruciale poiché l’IA dipende dalla disponibilità di dati accurati e completi per l’addestramento e la validazione degli algoritmi. La raccolta di dati clinici di alta qualità può comportare costi significativi e richiede tempo, e la protezione della privacy dei pazienti è fondamentale. La validazione degli algoritmi e il rispetto delle normative costituiscono aspetti critici che richiederanno sempre una attenzione costante.
- Intelligent drug discovery. Deloitte report 2019 https://www2.deloitte.com/content/dam/insights/us/articles/32961_intelligent-drug-discovery/DI_Intelligent-Drug-Discovery.pdf
- Artificial Intelligence for Drug Discovery: Are We There Yet?, Hasselgren C, Oprea TI, Annu Rev Pharmacol Toxicol. 2024 Jan 23;64:527-550.
- Machine Learning Applications in Drug Repurposing. Yang F, Zhang Q, Ji X, Zhang Y, Li W, Peng S, Xue F, Interdiscip Sci. 2022 Mar;14(1):15-21.