L’IA trasforma la scoperta di farmaci, riducendo potenzialmente il tempo e il costo di immissione sul mercato dei nuovi medicinali di diversi ordini di grandezza. Ecco come l’IA sta rivoluzionando la ricerca farmaceutica e cosa significa per il futuro della medicina.
Il problema della scoperta di farmaci
La scoperta tradizionale di farmaci è lenta e costosa :
– Tempo medio dalla scoperta alla commercializzazione: 10-15 anni
– Costo medio: 2-3 miliardi di dollari per ogni farmaco approvato
– Tasso di successo: Meno del 10% dei farmaci che entrano negli studi clinici vengono approvati
– Vastissimo spazio chimico: Oltre 1060 molecole simili a farmaci da esplorare
L’IA può migliorare in modo significativo ciascuno di questi indicatori.
Come l’IA accelera la scoperta di farmaci
Identificazione delle target. L’IA analizza i dati genomici, le strutture proteiche e i meccanismi della malattia per identificare target farmacologici promettenti — le molecole biologiche con cui un farmaco deve interagire per trattare una malattia.
Generazione di molecole. L’IA generativa progetta nuove molecole di farmaci con proprietà desiderate — affinità di legame, selettività, solubilità e sicurezza. Invece di testare milioni di composti esistenti, l’IA genera molecole innovative ottimizzate per il target specifico.
Screening virtuale. L’IA filtra rapidamente milioni o miliardi di composti contro un target, prevedendo quali siano più probabili di essere efficaci. Questo riduce l’ampiezza da milioni a centinaia, risparmiando così anni di lavoro in laboratorio.
Previsione delle proprietà. L’IA prevede le proprietà di una molecola — tossicità, metabolismo, biodisponibilità — prima che venga sintetizzata. Questo elimina i candidati che fallirebbero più tardi nello sviluppo.
Previsione della struttura proteica. AlphaFold (Google DeepMind) ha previsto la struttura di quasi tutte le proteine conosciute. Comprendere la struttura delle proteine è essenziale per progettare farmaci che interagiscono con esse.
Ottimizzazione degli studi clinici. L’IA identifica le popolazioni di pazienti ottimali, prevede i risultati e progetta protocolli di prova più efficaci. Questo può ridurre la durata e il costo degli studi clinici.
Strumenti e piattaforme chiave dell’IA
AlphaFold (DeepMind). Prevede le strutture proteiche a partire da sequenze di amminoacidi. Ha previsto strutture per oltre 200 milioni di proteine, fornendo una base per la progettazione di farmaci.
Insilico Medicine. Piattaforma di scoperta di farmaci AI end-to-end. Ha diversi farmaci in studi clinici che sono stati scoperti e progettati dall’IA.
Recursion Pharmaceuticals. Utilizza la visione artificiale e l’IA per analizzare immagini cellulari, identificando candidati farmaci in base al loro effetto sul comportamento cellulare.
Atomwise. Piattaforma di screening virtuale alimentata dall’IA. Utilizza il deep learning per prevedere come le molecole farmacologiche interagiscono con i target proteici.
Exscientia. Progettazione di farmaci guidata dall’IA. La loro piattaforma di IA progetta molecole con proprietà ottimizzate, riducendo il ciclo di progettazione-produzione-test da diversi mesi a poche settimane.
Storie di successo
INS018-055 di Insilico Medicine. Un farmaco progettato dall’IA per la fibrosi polmonare idiopatica che ha superato la Fase II degli studi clinici. L’intero processo di scoperta ha preso 18 mesi invece dei soliti 4-5 anni.
Progettazione di anticorpi da Absci. Ha utilizzato l’IA generativa per progettare nuovi anticorpi, dimostrando che l’IA può creare molecole biologiche funzionali da zero.
Impatto di AlphaFold. Citato in migliaia di articoli di ricerca, AlphaFold ha accelerato la ricerca nel campo della biologia e della scoperta di farmaci fornendo strutture proteiche che prima richiedevano mesi o anni per essere determinate sperimentalmente.
Sfide
Validazione. L’IA può prevedere, ma la biologia è complessa. I farmaci progettati dall’IA devono ancora essere convalidati in laboratorio e durante gli studi clinici. Molte delle previsioni dell’IA non superano i test in condizioni reali.
Qualità dei dati. I modelli di IA sono tanto buoni quanto i loro dati di addestramento. I dati biologici sono spesso rumorosi, incompleti e con bias verso target e malattie ben studiate.
Regolatorio. Le agenzie regolatorie stanno ancora sviluppando quadri per i farmaci progettati dall’IA. Il processo di approvazione rimane lo stesso, indipendentemente da come è stato scoperto il farmaco.
Complessità biologica. I sistemi viventi sono di una complessità enorme. L’IA può modellare parte di questa complessità, ma molti processi biologici sono ancora poco conosciuti.
La mia opinione
L’IA nella scoperta di farmaci è una delle applicazioni più impattanti della tecnologia IA. Il potenziale di ridurre i tempi di sviluppo dei farmaci da oltre 10 anni a 2-3 anni e i costi da miliardi a milioni potrebbe trasformare l’assistenza sanitaria.
Siamo ancora all’inizio — la maggior parte dei farmaci progettati dall’IA è in fase iniziale di studi clinici. I prossimi 5 anni determineranno se l’IA può fornire costantemente farmaci sicuri ed efficaci. I primi risultati sono promettenti, e l’investimento proveniente sia dalle aziende farmaceutiche che dalle startup di IA è enorme.
Questo è l’IA al suo meglio: potenziare l’expertise umana per risolvere problemi che influenzano milioni di vite.
🕒 Published: