Molte tecniche di Intelligenza Artificiale (IA) sono utilizzate per l’innovazione farmacologica. Gli esempi comprendono la sofisticata ricerca di letteratura biomedica per l’analisi di dati relativi a milioni di strutture molecolari, attraverso il natural language processing1, la interpretazione dei dati biologici delle malattie per le quali proporre nuovi principi attivi, la progettazione e la realizzazione di possibili nuove molecole, la identificazione di nuove indicazioni per farmaci già esistenti, la predizione di possibile risposta favorevole a nuovi principi attivi.

La scoperta, da parte del robot Eve, progetto delle università di Cambridge e Manchester, di un prodotto antimalarico nella composizione di un dentifricio, ha enfatizzato l’interesse nell’utilizzo della IA per la scoperta di nuovi farmaci, determinando una lunga lista di start-up e partnership con l’industria del farmaco. Sono decine le multinazionali del farmaco che hanno stretto rapporti sia con i giganti dell’informatica (Google con DeepMind e IBM con Watson for Drug Discovery) che con oltre un centinaio di start-up, in continua espansione.

Mediante le simulazioni in silico, sulla base della struttura chimica delle molecole, è inoltre possibile fare previsioni di possibili effetti collaterali e tossicità, valutare la giusta dose per farmaci sperimentali, scoprire nuove interazioni tra farmaci già in commercio2.

In particolare esiste la speranza che la predizione di tossicità mediante gli algoritmi di machine learning consenta di ridurre i test preclinici sugli animali3 e i tempi delle sperimentazioni4, ad esempio, mediante la tecnologia organ on chips, che utilizza le cellule staminali per ricostruire mini organi in laboratorio.

Si è peraltro ancora lontani dalla realizzazione di un body on chip, cioè della integrazione dei vari organi per ricostruire la complessità dell’organismo5.

Altre applicazioni sono la identificazione di possibili candidati per sperimentazioni cliniche in base ai dati clinici o genetici e dei target di pazienti che si potrebbero giovare dei nuovi trattamenti6, utilizzando la cosiddetta medicina di precisione7. L’individuazione di terapie mirate evita di esporre a inutili effetti collaterali i soggetti non responsivi, con importanti implicazioni prognostiche, di sicurezza e di ricadute sui costi.

Un ambito particolarmente importante è quello degli antibiotici, data la sempre maggiore, rapida e diffusa comparsa di batteri resistenti, che secondo molti esperti sarà una delle principali cause di morte entro pochi decenni. Si stima infatti che, in mancanza di azione potente e mirata, si avranno per questo motivo 10 milioni di morti all’anno nel mondo da ora al 20508. A tale proposito alcuni scienziati del Massachusetts Institute of Technology (MIT) di Boston hanno utilizzato un modello di rete neurale profonda (deep learning) addestrata a predire, per un numero pari a 108, la struttura molecolare di possibili principi attivi in grado di interagire con agenti patogeni. Il risultato è stato l’halicin (halicina tradotto in italiano), un composto sostanzialmente diverso dagli antibiotici convenzionali dal punto di vista strutturale e che ha dimostrato un’ottima capacità battericida su un ampio spettro di ceppi patogeni, come il Mycobacterium Tubercolosis, diverse specie di enterobatteri resistenti al carbapenem, il Clostridioides Difficile e l’Acinetobacter baumannii9. I ricercatori hanno evidenziato anche altre 8 molecole strutturalmente distanti dai comuni antibiotici. L’IA si propone dunque come uno strumento efficace per la produzione di armi nella lotta alla antibiotico-resistenza.

(L’articolo è tratto dal testo Intelligenza artificiale e medicina digitale: una guida critica di G. Collecchia e R. De Gobbi. Il Pensiero Scientifico Editore).

Note

1 Processo di trattamento automatico mediante un calcolatore elettronico delle informazioni scritte o parlate in una lingua naturale.
2 Topol E. High-performances medicine: the convergence of human and artificial intelligence. Nature Medicine 2019; 25: 44-56.
3 Luechtefeld T et al. Machine learning of toxicological big data enables read-across structure activity relationship (RASAR) outperforming animal test reproducibility. Toxicol 2018; 165: 198-212.
4 Negli ultimi anni il prezzo medio per mettere in commercio un nuovo farmaco sfiora i 2,5 miliardi di dollari, con una data di consegna di circa 10-15 anni.
5 Cerati F. Cavie digitali per ricerche gentili. NOVA. Il Sole 24 ORE, 4 febbraio 2018.
6 De Biase L. Intelligenza artificiale in medicina. Sanità Digitale: dal fare al curare.
7 La medicina di precisione si propone di analizzare tutte le dimensioni del singolo individuo, in modo da “cucire” il trattamento in base alle caratteristiche individuali.
8 O’Neill J. Antimicrobial resistance: tackling a crisis for the Health and Wealth of Nations. Review on Antimicrobial Resistance, 2014.
9 Stokes JM et al. A deep learning approach to antibiotic discovery. Cell 2020; 180: 688-702.