Il costo dello sviluppo di un nuovo farmaco che ottiene l’approvazione del mercato è di circa 2,6 miliardi di dollari[1]. Un terzo del tempo del processo medio di ricerca e sviluppo viene speso nella prima fase di ricerca di un farmaco. Al giorno d’oggi, una delle principali sfide nella fase iniziale della ricerca farmaceutica che scienziati e aziende si trovano a dover affrontare è la vasta quantità di dati e informazioni scientifiche che possono essere rilevanti per l’obiettivo da raggiungere ma presentano un elevato grado di complessità nella gestione e nell’estrazione del loro valore.
L’AI e la scoperta di nuovi farmaci: le grandi promesse del “Natural Language Processing”
Indice degli argomenti
L’IA rivoluziona la ricerca farmaceutica
Negli ultimi anni, l’intelligenza artificiale (IA) è emersa come un game-changer nel campo della ricerca farmaceutica. Con la capacità di analizzare vasti quantitativi di dati ad una velocità e accuratezza senza precedenti, gli algoritmi di IA stanno rivoluzionando il modo in cui vengono scoperti, progettati e sviluppati i farmaci. Non sorprende quindi che il campo della ricerca farmaceutica abbia visto un aumento significativo dell’utilizzo delle tecniche di IA negli ultimi anni. Nell’aprile 2021, l’azienda inglese Exscentia è stata la prima ad annunciare l’entrata nella fase 1 della sperimentazione clinica della prima molecola progettata con tecniche di IA per l’uso nella medicina oncologica. Attualmente, ci sono più di 15 farmaci progettati con l’aiuto di IA che sono entrati negli studi clinici. Secondo una recente analisi di Grand View Research, la dimensione globale del mercato dell’IA nella scoperta di farmaci dovrebbe raggiungere i 9,1 miliardi di dollari entro il 2030.
In generale, l’uso dell’IA nella progettazione dei farmaci sta crescendo rapidamente ed è destinato a diventare uno strumento sempre più importante nel processo di ricerca e sviluppo dell’industria farmaceutica nei prossimi anni. Non tutto è oro però ciò che luccica. Vediamo di seguito le applicazioni più promettenti, insieme ai potenziali rischi e agli elementi che le aziende farmaceutiche devono tenere in considerazione per estrarre valore e benefici dall’adozione di queste tecnologie.
Applicazioni
Da sempre il processo di creazione di un nuovo farmaco richiede uno sforzo significativo in termini di tempo e risorse. Normalmente, ci vogliono in media dai 12 ai 15 anni per far arrivare un farmaco sul mercato. Con dati e modelli di IA appropriati, questo processo potrebbe essere notevolmente accelerato.
Predizione delle proprietà dei composti
Una delle applicazioni più promettenti dell’IA nella progettazione dei farmaci è l’uso di algoritmi di apprendimento automatico per prevedere le proprietà dei potenziali composti farmacologici. Normalmente, i ricercatori devono scegliere tra un numero infinito di possibilità di composti prima di procedere alla progettazione del composto che risulta essere l’opzione migliore. Le aziende tradizionalmente creano lotti di molecole che sperano abbiano determinate proprietà e poi le testano a turno. Gli algoritmi di IA possono essere addestrati per analizzare grandi database di strutture molecolari e identificare quelle con la più alta probabilità di legarsi ad un determinato target farmacologico. Questo processo, noto come virtual screening, aiuta i ricercatori a prioritizzare quali composti testare in laboratorio, risparmiando tempo e risorse.
De-novo drug design
Gli algoritmi di IA possono essere utilizzati per progettare nuove molecole partendo da zero. I ricercatori possono dare in input all’algoritmo di IA le proprietà che la molecola deve avere e l’algoritmo genera molecole candidate che soddisfano questi criteri. Ciò consente l’esplorazione di uno spazio chimico molto più ampio rispetto ai metodi tradizionali, aumentando le possibilità di scoperta.
Nel dicembre 2022, due laboratori hanno annunciato dei programmi che utilizzano modelli di IA per la generazione di nuove proteine con elevata precisione. Generate Biomedicines, startup con sede a Boston, ha rivelato il programma Chroma, che la società descrive come il DALL-E 2 della biologia. Allo stesso tempo, un team dell’Università di Washington guidato dal biologo David Baker ha costruito un programma simile chiamato RoseTTAFold Diffusion, una nuova modalità per progettare proteine combinando reti di previsione della struttura e modelli di diffusione generativa.
La medicina personalizzata
Ci sono pazienti che frequentano gli ospedali per anni testando farmaci che non funzionano. Un’altra area in cui l’IA sta facendo progressi significativi è nello sviluppo della medicina personalizzata. Analizzando i dati individuali dei pazienti, tra cui informazioni genetiche, storia medica e fattori di stile di vita, gli algoritmi di IA possono aiutare a identificare le opzioni di trattamento più efficaci per ciascun paziente, migliorando gli esiti dei pazienti e riducendo i costi sanitari. L’IA permette infatti di accelerare i test dei farmaci. Ad esempio, nel caso di un paziente oncologico in cerca della cura più efficace, invece di sottoporre il paziente a lunghi cicli di chemioterapia provando diversi cocktails di farmaci, è possibile testare decine di trattamenti in parallelo su un campione di cellule (normali e malate) estratto dal paziente, ottimizzando e rendendo più esaustiva la ricerca del giusto farmaco.
Rischi
Gli algoritmi di IA possono anche essere utilizzati per prevedere la tossicità delle molecole candidate. Analizzando la struttura chimica di un composto e confrontandola con i composti tossici conosciuti, questi algoritmi possono identificare potenziali problemi di sicurezza già nelle prime fasi della scoperta del farmaco. Ciò avviene addestrando gli algoritmi di apprendimento automatico su grandi set di dati di molecole note come tossiche o non tossiche, il che consente all’IA di riconoscere modelli e caratteristiche associati alla tossicità, impedendo che la molecola venga ulteriormente sviluppata e testata negli studi sugli animali o sugli esseri umani.
Se, da un lato, l’utilizzo dell’IA per prevedere le molecole tossiche può contribuire ad un approccio più mirato allo sviluppo dei farmaci, poiché i ricercatori possono concentrarsi sulle molecole più sicure ed efficaci; dall’altro lato, le potenzialità dell’IA potrebbero essere sfruttate anche per la creazione di molecole tossiche. A marzo 2022, in uno studio pubblicato su Nature Machine Intelligence, un team di ricercatori dell’azienda Collaborations Pharmaceuticals ha rivelato come ci siano volute meno di sei ore per i loro modelli di machine learning per generare 40.000 molecole potenzialmente letali. Lo studio mira a dimostrare con quanta facilità l’IA potrebbe essere abusata per scopi non benefici. Tutto ciò che i ricercatori hanno fatto è stato modificare la loro metodologia per cercare, piuttosto che eliminare la tossicità. L’azienda dichiara che si è trattato di un esercizio di pensiero che alla fine si è evoluto in una vera e propria prova del rischio dell’uso di IA per la realizzazione di armi biochimiche.
Certamente, così come l’utilizzo di IA per il disegno di nuovi farmaci oncologici non è un processo così veloce come può sembrare, non lo è nemmeno per la creazione di molecole tossiche per potenziali armi biochimiche. L’intento dello studio è stato quello di creare consapevolezza nella comunità degli scienziati sui potenziali abusi della tecnologia e di richiamare le autorità all’impegno di regolamentarne l’utilizzo.
Limitazioni
Se l’impiego di IA può accelerare la progettazione dei farmaci, rimangono comunque dei limiti legati alle modalità di lavoro tradizionalmente utilizzate in laboratorio.
La necessità di testare i farmaci sull’uomo
Per decenni i chimici hanno vagliato i farmaci candidati mettendo campioni del bersaglio desiderato in tanti piccoli scomparti in un laboratorio, aggiungendo diverse molecole e osservandone la reazione, ripetendo il processo molte volte. L’automazione ha accelerato queste attività, ma il processo centrale per tentativi ed errori è comunque inevitabile. L’intuito e il giudizio del chimico in laboratorio rimangono cruciali per la decisione da prendere su quale molecola sintetizzare.
Inoltre, gli esperimenti su cellule e tessuti in laboratorio e i test sugli esseri umani rimangono tuttora le parti più lente e costose del processo di sviluppo e non possono essere eliminati del tutto. L’intero processo di scoperta di farmaci riguarda il fallimento. Molte molecole di farmaci che sembrano svolgere il loro lavoro in laboratorio finiscono per fallire quando vengono infine testate sulle persone. La validazione finale, quindi, deve essere fatta comunque in laboratorio dall’uomo.
Le regolamentazioni
Al crescente utilizzo dell’IA per la scoperta di nuovi farmaci, si accompagna la necessità di regolamentazioni e leggi chiare. Negli Stati Uniti, il panorama normativo per l’IA nella scoperta di farmaci è ancora in via di sviluppo. Tuttavia, la Food and Drug Administration (FDA), ovvero l’ente governativo statunitense che si occupa della regolamentazione dei prodotti alimentari e farmaceutici, ha emesso linee guida per lo sviluppo e la convalida degli algoritmi di IA e di apprendimento automatico nei dispositivi medici, che possono essere applicati anche alla scoperta di farmaci.
Anche l’Agenzia Europea per i Medicinali (EMA) ha riconosciuto l’importanza dell’IA nella scoperta di farmaci e ha affermato che l’uso dell’IA nello sviluppo di prodotti medicinali è soggetto agli stessi requisiti normativi di altre tecnologie. L’EMA ha evidenziato l’importanza di garantire che l’IA sia utilizzata in modo etico, trasparente e in conformità con i principi della buona pratica scientifica.
Nel complesso, c’è un crescente riconoscimento del potenziale dell’IA nella scoperta di farmaci, e i regolatori stanno lavorando per sviluppare linee guida e normative chiare per il suo utilizzo. Con l’ulteriore crescita dell’utilizzo dell’IA nell’industria farmaceutica, è importante garantire che sia utilizzata in modo etico, trasparente e in modo tale da proteggere la sicurezza dei pazienti e promuovere l’innovazione lungo tutto il flusso di ricerca e sviluppo farmaceutico.
La necessità per le aziende di creare rete
Negli ultimi anni, sono emerse diverse aziende cosiddette “AI-native” o “AI-first” il cui core business è lo sviluppo di tecniche IA per la scoperta di farmaci. Questa nuova generazione di aziende biotecnologiche si sta concentrando su tre punti chiave di fallimento lungo la pipelin di sviluppo dei farmaci: (1) scegliere il giusto target, (2) progettare la molecola più adatta che si leghi con esso, (3) determinare per quali pazienti quella molecola può essere di maggiore aiuto. Le grandi aziende farmaceutiche sempre più scelgono di collaborare con queste startup e aziende biotech emergenti nel campo dell’IA come Owkin, Exscientia, Atomwise e Insilico Medicine. Il passaggio da modelli di business tradizionali centrati sull’offerta di prodotti e servizi alla creazione di partnership per lo sviluppo congiunto di risorse ha portato ad un aumento degli investimenti nel settore farmaceutico. Gli investimenti di terze parti nella scoperta di farmaci abilitati all’IA sono più che raddoppiati negli ultimi cinque anni, superando i 2,4 miliardi di dollari nel 2020 e superando i 5,2 miliardi di dollari alla fine del 2021.
Anche se le innovazioni guidate dall’IA mostrano risultati impressionanti, la rivoluzione dell’IA nella scoperta di farmaci non avverrà dall’oggi al domani. Le grandi aziende farmaceutiche detengono importanti asset come capitale, competenza scientifica, know-how, competenza normativa e team commerciali consolidati. Ciò nonostante, i grandi investimenti nelle aziende IA emergenti e l’incremento della sperimentazione in silico stanno abbassando le barriere all’ingresso nell’industria. Le partnership continueranno ad essere un modo efficace per accelerare l’adozione di tecniche di scoperta guidate dall’IA e creare solide proposte di valore. La quantità di capitale, know-how e dati circolanti per la scoperta di farmaci con l’IA è di gran lunga superiore a quella che qualsiasi azienda può dedicare da sola.
L’intelligenza artificiale per lo sviluppo di nuovi farmaci: gli ultimi traguardi e le sfide
Conclusioni
Nel complesso, le ultime applicazioni dell’IA per la progettazione dei farmaci stanno trasformando il modo in cui vengono scoperti, progettati e sviluppati nuovi composti molecolari, offrendo una velocità, una precisione e un’efficienza senza precedenti nel processo di ricerca e sviluppo. L’utilizzo di tecniche avanzate base sull’IA giocherà un ruolo sempre più importante nello sviluppo di nuovi trattamenti e di medicine personalizzate, migliorando gli esiti dei pazienti e riducendo i costi sanitari.
Le aziende farmaceutiche, tuttavia, devono adottare nuovi modelli di business e di governance per diventare partner di riferimento per i nuovi players nell’industria farmaceutica, ovvero per le cosiddette aziende AI-first, e sfruttare la creazione di valore congiunto.
In questo panorama in apparente rapida evoluzione, inoltre, il ruolo delle autorità regolamentative è cruciale per definire i confini di applicazione di queste tecniche e garantirne un utilizzo sicuro, etico e trasparente.
Note
- Properzi, F., Taylor, K., Steedman, M., Ronte, H., Haughey, J. 2019. Intelligent Drug Discovery Powered by AI, Deloitte UK Centre for Health Solutions. ↑
