L’industria farmaceutica mondiale è da anni impegnata in un lungo e laborioso processo atto a individuare nuove sostanze idonee per combattere le malattie su scala globale. Processo che, a oggi, non può esimersi dal considerare l’Intelligenza artificiale (IA) come valida alleata, soprattutto nella predizione della composizione molecolare dei nuovi farmaci.
Siamo dinanzi a un nuovo approccio che utilizza una tecnica di IA nota come “Elaborazione del Linguaggio Naturale” (NLP, Natural language processing) che serve ad analizzare e a sintetizzare le proteine, ovvero i “mattoni” della vita ed il componente di molti farmaci.
Intelligenza artificiale, ora Dall-E 2 sa anche creare le proteine: i possibili sviluppi
Indice degli argomenti
L’alfabeto degli amminoacidi
L’approccio sfrutta il fatto che i codici biologici sono rappresentati da una serie di lettere. Le proteine sono composte da decine o migliaia di piccole sub-unità chimiche note come aminoacidi e gli scienziati usano una notazione speciale per documentare le sequenze. Poiché ogni amminoacido corrisponde a una singola lettera dell’alfabeto, le proteine sono rappresentate come lunghe combinazioni simili a frasi.
Gli algoritmi di linguaggio naturale, che analizzano rapidamente il linguaggio e predicono il passo successivo in una conversazione, possono essere applicati a questi dati biologici per creare modelli di “linguaggio proteico“. I modelli codificano quella che potrebbe essere definita la “grammatica delle proteine”, ossia le regole che governano quali combinazioni di amminoacidi producono specifiche proprietà terapeutiche, atta a prevedere le sequenze di lettere che potrebbero diventare la base di nuove molecole di farmaci.
Di conseguenza, il tempo necessario per le prime fasi della scoperta di un farmaco potrebbe ridursi da anni a mesi. I farmaci a base proteica sono utilizzati, ad esempio, per trattare le malattie cardiache, alcuni tipi di cancro e l’HIV.
I nuovi farmaci e gli ostacoli
Negli ultimi due anni, alcune aziende hanno iniziato ad implementare nuovi farmaci con l’elaborazione del linguaggio naturale. La speranza è che questo approccio, non solo aumenti l’efficacia dei farmaci e dei candidati farmaci esistenti, ma apra anche le porte a molecole inedite in modo da trattare in maniera efficace malattie come il cancro al pancreas o la sclerosi laterale amiotrofica (Sla). Tuttavia, secondo i biologi computazionali (che frenano l’entusiasmo), l’elaborazione del linguaggio naturale finalizzato alla scoperta di nuovi farmaci deve ancora affrontare grandi ostacoli.
Modificare troppo i farmaci esistenti a base proteica, secondo alcuni professionisti, potrebbe introdurre effetti collaterali indesiderati, con le molecole interamente sintetiche che richiederanno test rigorosi per assicurarsi che siano sicure per il corpo umano. Certo è, che se gli algoritmi in linguaggio naturale funzioneranno, come si spera peraltro, essi daranno nuova forza e spinta all’uso dell’IA nel mondo farmaceutico.
D’altronde, i precedenti tentativi di utilizzare l’Intelligenza artificiale in questo campo si sono più volte scontrati con i limiti della tecnologia o con la mancanza di dati. I recenti progressi nell’elaborazione del linguaggio naturale e il drastico calo del costo del sequenziamento delle proteine, che ha prodotto vasti database di sequenze di amminoacidi, dovrebbero aver portato a superare ampiamente entrambi i problemi. Poiché la tecnologia è ancora in fase iniziale, per ora le aziende si concentrano sull’utilizzo di modelli di linguaggio naturale per migliorare molecole già conosciute, come succede per il miglioramento dell’efficacia dei farmaci. Dato, per esempio, un anticorpo monoclonale presente in natura come punto di partenza, i modelli possono raccomandare modifiche alla sua sequenza di aminoacidi per migliorarne il beneficio terapeutico.
Sanità 4.0: i digital twin per gestire le aziende sanitarie come realtà cyber-fisiche
La sperimentazione
In un articolo dell’agosto scorso, ricercatori dell’azienda statunitense Absci spiegano come hanno utilizzato il modello in oggetto per migliorare il farmaco antitumorale Trastuzumab, basato su anticorpi, in modo che possa legarsi più strettamente al suo bersaglio, sulla superficie delle cellule tumorali. Un legame più stretto potrebbe far sì che i pazienti traggano beneficio da un dosaggio inferiore, abbreviando i regimi farmacologici e riducendo gli effetti collaterali.
In un altro lavoro pubblicato a marzo del 2022, un gruppo di ricercatori ha utilizzato modelli di linguaggio naturale per trasformare un candidato farmaco Covid-19, efficace solo contro le varianti Alfa, Beta e Gamma, in uno in grado di trattare anche le varianti Delta.
Ma l’industria farmaceutica sta già andando oltre la modifica di proteine conosciute, sino ad arrivare ad una progettazione ex novo, ossia al processo di sintesi di molecole da zero. In un recente esperimento, l’azienda californiana di biotecnologie Genentech, ha dimostrato che è possibile progettare un anticorpo che si leghi allo stesso bersaglio cellulare del Pertuzumab, un farmaco per il cancro al seno della stessa azienda, ma con una sequenza di aminoacidi completamente nuova.
Gli scienziati della Genentech hanno fornito ai modelli utilizzati unicamente l’obiettivo e la forma tridimensionale desiderata dell’anticorpo, che è il principale fattore determinante della funzione di una proteina.
I risultati attesi
Diversi biologi computazionali si aspettano che i modelli di linguaggio proteico producano benefici che vanno al di là di un più rapido sviluppo di farmaci. Secondo altri biologi, però, la stessa tecnica potrebbe essere utilizzata primariamente per produrre enzimi migliori per la degradazione della plastica, il trattamento delle acque reflue e la bonifica delle fuoriuscite di petrolio, oltre a ulteriori applicazioni ambientali.
D’altronde le proteine ci permettono di respirare e di vedere, di sostenere l’ambiente, di sostenere la salute umana e combattere le malattie. Se riuscissimo a progettare proteine preordinate a tutto ciò, l’applicazione delle stesse potrebbe avere applicazioni molto ampie, anticipando temporalmente le applicazioni nel settore healthcare. Ma, come fa notare il Wall Street Journal, c’è ancora tanta strada da percorrere.
