L'intelligenza artificiale rivoluzionerà lo sviluppo dei farmaci? Secondo i ricercatori, dipende da come viene utilizzata

      Il potenziale dell'utilizzo dell'intelligenza artificiale nella scoperta e nello sviluppo dei farmaci ha suscitato entusiasmo e scetticismo tra gli scienziati, gli investitori e il pubblico in generale: "L'intelligenza artificiale sta prendendo il sopravvento sullo sviluppo dei farmaci", sostengono alcune aziende e ricercatori. Negli ultimi anni, l'interesse per l'uso dell'intelligenza artificiale nella progettazione di farmaci e nell'ottimizzazione degli studi clinici ha determinato un'impennata della ricerca e degli investimenti. Piattaforme guidate dall'IA come AlphaFold, che ha vinto il Premio Nobel 2024 per la sua capacità di prevedere la struttura delle proteine e di progettarne di nuove, dimostrano il potenziale dell'IA nell'accelerare lo sviluppo dei farmaci. L'IA nella scoperta dei farmaci è "un'assurdità", avvertono alcuni veterani del settore. Essi sostengono che "il potenziale dell'IA di accelerare la scoperta di farmaci ha bisogno di un controllo della realtà", poiché i farmaci generati dall'IA devono ancora dimostrare di essere in grado di affrontare il tasso di fallimento del 90% dei nuovi farmaci negli studi clinici. Diversamente dal successo dell'IA nell'analisi delle immagini, il suo effetto sullo sviluppo dei farmaci rimane poco chiaro. Dietro ogni farmaco presente in farmacia ce ne sono molti, molti altri che hanno fallito. nortonrsx/iStock via Getty Images Plus Abbiamo seguito l'uso dell'IA nello sviluppo dei farmaci nel nostro lavoro di scienziati farmaceutici sia nel mondo accademico che nell'industria farmaceutica e come ex program manager della Defense Advanced Research Projects Agency, o DARPA. Noi sosteniamo che l'IA nello sviluppo dei farmaci non è ancora una svolta, né un'assurdità assoluta. L'IA non è una scatola nera che può trasformare qualsiasi idea in oro. La maggior parte dei lavori che utilizzano l'IA nello sviluppo di farmaci intendono ridurre il tempo e il denaro necessari per portare un farmaco sul mercato - attualmente da 10 a 15 anni e da 1 a 2 miliardi di dollari. Ma l'IA può davvero rivoluzionare lo sviluppo dei farmaci e migliorare le percentuali di successo? I ricercatori hanno applicato l'IA e l'apprendimento automatico a ogni fase del processo di sviluppo dei farmaci. Tra queste, l'identificazione dei bersagli nell'organismo, lo screening dei potenziali candidati, la progettazione delle molecole dei farmaci, la previsione della tossicità e la selezione dei pazienti che potrebbero rispondere meglio ai farmaci negli studi clinici. Tra il 2010 e il 2022, 20 startup focalizzate sull'IA hanno scoperto 158 candidati farmaci, 15 dei quali sono arrivati alla fase di sperimentazione clinica. Alcuni di questi candidati farmaci sono stati in grado di completare i test preclinici in laboratorio e di entrare in sperimentazione sull'uomo in soli 30 mesi, rispetto ai tipici 3-6 anni. Questo risultato dimostra il potenziale dell'IA nell'accelerare lo sviluppo dei farmaci. Lo sviluppo dei farmaci è un processo lungo e costoso. D'altra parte, mentre le piattaforme di IA possono identificare rapidamente i composti che funzionano su cellule in una piastra di Petri o in modelli animali, il successo di questi candidati negli studi clinici - dove si verifica la maggior parte dei fallimenti dei farmaci - rimane altamente incerto. A differenza di altri campi che hanno a disposizione grandi serie di dati di alta qualità per addestrare i modelli di IA, come l'analisi delle immagini e l'elaborazione del linguaggio, l'IA nello sviluppo dei farmaci è limitata da serie di dati piccole e di bassa qualità. È difficile generare insiemi di dati relativi ai farmaci su cellule, animali o esseri umani per milioni o miliardi di composti. Sebbene AlphaFold rappresenti un passo avanti nella previsione delle strutture proteiche, la sua precisione nella progettazione di farmaci rimane incerta. Piccole modifiche alla struttura di un farmaco possono influenzare notevolmente la sua attività nell'organismo e quindi la sua efficacia nel trattamento delle malattie. Pregiudizio della sopravvivenza Come l'IA, anche le innovazioni passate nello sviluppo di farmaci, come la progettazione di farmaci assistita da computer, il Progetto Genoma Umano e lo screening ad alto rendimento, hanno migliorato le singole fasi del processo negli ultimi 40 anni, ma i tassi di insuccesso dei farmaci non sono migliorati. La maggior parte dei ricercatori di IA è in grado di affrontare compiti specifici nel processo di sviluppo di un farmaco quando gli vengono forniti dati di alta qualità e domande particolari a cui rispondere. Ma spesso non hanno familiarità con l'intera portata dello sviluppo di un farmaco, riducendo le sfide a problemi di riconoscimento di modelli e di perfezionamento di singole fasi del processo. Inoltre, molti scienziati esperti nello sviluppo di farmaci non hanno una formazione in IA e apprendimento automatico. Queste barriere di comunicazione possono impedire agli scienziati di andare oltre la meccanica degli attuali processi di sviluppo e di identificare le cause alla radice dei fallimenti dei farmaci. Gli attuali approcci allo sviluppo dei farmaci, compresi quelli che utilizzano l'IA, possono essere caduti nella trappola del survivorship bias, concentrandosi eccessivamente sugli aspetti meno critici del processo e trascurando i problemi principali che contribuiscono maggiormente al fallimento. Ciò è analogo alla riparazione dei danni alle ali degli aerei di ritorno dai campi di battaglia nella Seconda Guerra Mondiale, mentre si trascurano le vulnerabilità fatali nei motori o nelle cabine di pilotaggio degli aerei che non hanno mai fatto ritorno. I ricercatori spesso si concentrano eccessivamente su come migliorare le singole proprietà di un farmaco piuttosto che sulle cause alla radice del fallimento. Mentre gli aerei che rientrano possono sopravvivere ai colpi alle ali, quelli con danni ai motori o alle cabine di pilotaggio hanno meno probabilità di rientrare. Martin Grandjean, McGeddon, US Air Force/Wikimedia Commons, CC BY-SA L'attuale processo di sviluppo dei farmaci funziona come una catena di montaggio, basandosi su un approccio a caselle di controllo con test approfonditi in ogni fase del processo. Sebbene l'intelligenza artificiale possa ridurre i tempi e i costi delle fasi precliniche di laboratorio di questa catena di montaggio, è improbabile che aumenti i tassi di successo nelle fasi cliniche, più costose, che prevedono la sperimentazione sulle persone. Il persistente tasso di fallimento del 90% dei farmaci nelle sperimentazioni cliniche, nonostante 40 anni di miglioramenti dei processi, sottolinea questa limitazione. Affrontare le cause alla radice I fallimenti dei farmaci nelle sperimentazioni cliniche non sono dovuti esclusivamente al modo in cui questi studi sono progettati; anche la selezione dei candidati farmaci sbagliati da testare nelle sperimentazioni cliniche è un fattore importante. Le nuove strategie guidate dall'intelligenza artificiale potrebbero contribuire ad affrontare entrambe le sfide. Attualmente, la maggior parte dei fallimenti dei farmaci è dovuta a tre fattori interdipendenti: dosaggio, sicurezza ed efficacia. Alcuni farmaci falliscono perché troppo tossici o poco sicuri. Altri farmaci falliscono perché ritenuti inefficaci, spesso perché la dose non può essere aumentata ulteriormente senza causare danni. Noi e i nostri colleghi proponiamo un sistema di apprendimento automatico per aiutare a selezionare i candidati farmaci prevedendo il dosaggio, la sicurezza e l'efficacia sulla base di cinque caratteristiche dei farmaci precedentemente trascurate. In particolare, i ricercatori potrebbero utilizzare modelli di intelligenza artificiale per determinare quanto specificamente e potentemente il farmaco si lega a bersagli noti e sconosciuti, il livello di questi bersagli nell'organismo, la concentrazione del farmaco nei tessuti sani e malati e le proprietà strutturali del farmaco. Queste caratteristiche dei farmaci generati dall'intelligenza artificiale potrebbero essere testate in quella che chiamiamo sperimentazione di fase 0+, utilizzando dosi ultra-basse in pazienti con malattie gravi e lievi. Questo potrebbe aiutare i ricercatori a identificare i farmaci ottimali, riducendo al contempo i costi dell'attuale approccio "test-and-see" alle sperimentazioni cliniche. Sebbene l'IA da sola non possa rivoluzionare lo sviluppo dei farmaci, può aiutare a risolvere le cause del loro fallimento e a snellire il lungo processo di approvazione. Duxin Sun, decano associato per la ricerca, Charles Walgreen Jr. Professore di Farmacia e Scienze Farmaceutiche, Università del Michigan e Christian Macedonia, Professore aggiunto di Scienze Farmaceutiche, Università del Michigan Questo articolo è stato ripubblicato da The Conversation con licenza Creative Commons. Leggi l'articolo originale.