Uno dei principali vantaggi dell’applicazione dell’intelligenza artificiale nelle prime fasi della scoperta di farmaci è che l’intelligenza artificiale può eseguire screening virtuali su larga scala o condurre più esperimenti simultaneamente, aumentando così la scala dei composti di screening e facendo avanzare potenziali composti in composti guida, nonché velocità delle terapie candidate. Il dottor Jim Collins, professore al MIT, ha dichiarato in un'intervista con il team di contenuti di WuXi AppTec che i ricercatori possono addestrare modelli di intelligenza artificiale con librerie di composti su piccola scala e quindi utilizzare questi modelli per esplorare vasti spazi chimici. Ciò consente al suo team di completare lo screening di una libreria di composti virtuali contenente miliardi di composti in pochi giorni. Ciò non può essere ottenuto attraverso esperimenti convenzionali.
Panna Sharma, CEO di Lantern Pharma, ha dichiarato in un'intervista a Nature Cancer che il progetto di ricerca e sviluppo antitumorale dell'azienda, dal buco iniziale generato dall'intelligenza artificiale all'ingresso nel primo studio clinico sull'uomo, richiede circa la metà del tempo delle strategie tradizionali e può ridurre i costi fino all’80%. Altre aziende che utilizzano l’intelligenza artificiale per lo sviluppo di farmaci, come Recursion e Insilico Medicine, hanno esperienze simili. Anche se al momento l’intelligenza artificiale non può sostituire gli esperimenti, può consentire ai ricercatori di completare gli esperimenti corretti più velocemente, migliorando così i tassi di successo.
Uno dei primi impatti dell’intelligenza artificiale sul trattamento del cancro potrebbe riflettersi nel riutilizzo di farmaci falliti o obsoleti. Prendendo come esempio Lantern, la sua piattaforma di intelligenza artificiale raccoglie miliardi di dati relativi all’oncologia. Questi dati provengono da ricerche scientifiche, studi clinici e database. Utilizzando l’apprendimento automatico per prevedere le risposte dei pazienti ai farmaci candidati, l’intelligenza artificiale può scoprire rapidamente nuove indicazioni precedentemente sconosciute o identificare nuovi sottotipi di cancro e i relativi biomarcatori che non sono stati ancora completamente caratterizzati.
L’identificazione di combinazioni di farmaci efficaci è un’altra direzione di applicazione dell’intelligenza artificiale. Al momento, testare le combinazioni di farmaci è difficile e richiede molto tempo, mentre l’intelligenza artificiale può prevedere più rapidamente quali combinazioni di farmaci sono più efficaci analizzando i dati di tutti gli studi clinici.
La capacità dell’intelligenza artificiale generativa di personalizzare nuove strutture molecolari sulla base di specifiche caratteristiche del bersaglio per ottenere effetti terapeutici specifici è particolarmente entusiasmante per i suoi sostenitori. Allo stato attuale, l’intelligenza artificiale generativa ha dimostrato la capacità di progettare da zero nuove proteine o composti di piccole molecole sulla base di caratteristiche target nella ricerca preclinica. Ad esempio, il team del professor David Baker, premio Nobel, ha pubblicato un articolo sulla rivista Science in cui introduce lo strumento avanzato di simulazione delle proteine RoseTTAFold All Atom e lo strumento di progettazione delle proteine RFdiffuion All Atom. RoseTTAFold All Atom consente agli scienziati di simulare le interazioni tra proteine e altre biomolecole. RFdiffuion All Atom consente agli scienziati di progettare da zero proteine completamente nuove basate sulle tasche che si legano a composti specifici, aprendo potenzialmente la strada alla progettazione di terapie precise.
D’altro canto, la maggior parte delle biomolecole generate dall’intelligenza artificiale nell’attuale pipeline di ricerca e sviluppo clinico sono ancora simili alle molecole esistenti, che sono state adattate per migliorarne la selettività o ridurre la tossicità non target.
I farmaci candidati devono ancora dimostrare la loro efficacia sugli esseri umani, cosa che non può essere ottenuta senza studi clinici. Nel processo di sviluppo di un farmaco, gli studi clinici occupano la maggior parte dei costi e dei tempi di ricerca e sviluppo, quindi anche un piccolo miglioramento dell’efficienza può avere un impatto enorme.
La ricorsione utilizza dati clinici e multiomici provenienti da istituti di raccolta dati professionali come Tempus, sulla base di modelli di intelligenza artificiale per identificare i pazienti che potrebbero produrre la risposta migliore. Migliorare lo screening dei pazienti non significa solo studi su scala più piccola, ma teoricamente aumenta anche i tassi di successo.
L’intelligenza artificiale può essere utilizzata anche per scoprire pazienti idonei e determinare la sede ottimale dello studio, massimizzando così l’accelerazione del reclutamento dei pazienti.
