Lo sviluppo di farmaci biologici (medicinali che contengono uno o più principi attivi prodotti o estratti da un sistema biologico) è un percorso lungo e costoso. Solitamente, prende il via dallo studio delle proteine, per poi approdare al lento e scrupoloso processo della loro trasformazione in farmaci efficaci e sicuri. Ma l’avvento dell’intelligenza artificiale al servizio della medicina, che prevede l’utilizzo di tecniche analitiche-strumentali avanzate e di nuove modalità di ricerca, sta cambiando ogni aspetto. Soprattutto grazie alla biologia generativa.
I.A. generativa per la scienza
Approccio innovativo allo sviluppo di nuove terapie proteiche basato sull’apprendimento automatico (machine learning) e sull’intelligenza artificiale, la biologia generativa consente di sviluppare nuovi farmaci biologici (della categoria fanno parte ormoni, enzimi, emoderivati, sieri e vaccini, immunoglobuline, allergeni, anticorpi monoclonali) con la struttura e le proprietà desiderate. Un processo simile a quello in cui i sistemi di intelligenza artificiale generativa (come ChatGPT di OpenAI) permettono di creare nuovi dati, testi o immagini a partire da elementi reali.
Nel dettaglio, i ricercatori stanno cominciando ad utilizzare i dati specifici delle proteine per istruire gli algoritmi di machine learning a progettare molecole in modo più veloce ed efficace. Così, le “nuove” proteine possono essere valutate in laboratorio attraverso piattaforme automatizzate, restituendo agli esperti ulteriori informazioni per affinare i modelli di apprendimento automatico in una sorta di ciclo generativo.
Progettare da zero nuovi modelli di proteine
Se in passato lo studio della struttura di una proteina rappresentava una sfida complessa per i modelli informatici, oggi quest’ultimi riescono perfino a progettare dal nulla proteine che non esistono in natura. Migliorando, di conseguenza, lo sviluppo dei farmaci. Un risultato rilevante raggiunto applicando l’I.A., in particolare attraverso il programma RosettaFold Diffusion, il cui algoritmo è in grado di progettare proteine combinando reti di previsione della struttura e modelli di diffusione generativa.
Il nuovo metodo – pubblicato sulla rivista Nature e perfezionato dal team di ricerca guidato da David Baker dell’Università di Washington a Seattle -, consente di creare in tempi veloci molecole utili in numerosi settori (come i biomarcatori per individuare inquinanti o patologie). “È un rilevante passo in avanti rispetto a quanto si era imparato a fare finora”, il commento di Marco Marcia, del Laboratorio Europeo di Biologia Molecolare, l’istituto di ricerca fondato nel 1974 che – utilizzando l’algoritmo di intelligenza artificiale AlphaFold sviluppato in collaborazione con DeepMind – aveva consentito nell’agosto 2022 di predire la struttura tridimensionale della maggior parte delle proteine di ogni organismo vivente (oltre 200 milioni).
Fonte : Today
