Per cinquant’anni, il ripiegamento delle proteine è stato uno dei problemi più complessi nelle scienze della vita. Tuttavia, il 2020 ha segnato una svolta epocale quando Google DeepMind ha conquistato questa sfida secolare con il suo noto programma AlphaFold. Questo successo non solo ha rappresentato un punto di svolta nella scienza, ma ha anche aperto una serie di straordinarie opportunità per sfruttare l’intelligenza artificiale nella ricerca farmaceutica e in ambiti sanitari più ampi.
Subito dopo il successo di AlphaFold, altre importanti innovazioni hanno fatto la loro comparsa. Meta ha introdotto ESMFold, mentre la società biotecnologica cinese Helixon ha presentato OmegaFold. Generate Biomedicines ha contribuito con Chroma, mentre il Baker Lab ha sviluppato RoseTTAFold e RoseTTAFoldDiffusion, ampliando ulteriormente il panorama delle soluzioni innovative in questo campo.
Uno degli attori principali nell’uso dell’intelligenza artificiale nel settore sanitario è AstraZeneca, con sede a Cambridge. Abbiamo intervistato Siva Padmanabhan, CEO di AstraZeneca India, per comprendere come l’intelligenza artificiale stia rivoluzionando la medicina, offrendo una piattaforma per la scoperta, la sperimentazione e l’accelerazione della ricerca di nuovi farmaci e per il ripiegamento delle proteine.
Tuttavia, l’integrazione dell’intelligenza artificiale nello sviluppo dei farmaci comporta vantaggi e sfide. In un mondo in cui abbiamo accesso a enormi quantità di dati, la chiave sta nell’analisi, nell’interpretazione e nell’applicazione efficace di queste informazioni.
Padmanabhan ha dichiarato: “Nella nostra ricerca e sviluppo, l’intelligenza artificiale gioca un ruolo vitale nell’analisi di ampi set di dati per migliorare la comprensione delle malattie, identificare nuovi bersagli terapeutici, guidare la sintesi di molecole e migliorare le previsioni di successo clinico.” Questo approccio all’uso dell’intelligenza artificiale va ben oltre il laboratorio e si estende a diverse applicazioni cliniche.
Un esempio tangibile è il processo di sperimentazione clinica, dove strumenti di intelligenza artificiale e machine learning sono utilizzati per estrarre informazioni preziose dai dati delle sperimentazioni. Questi strumenti dimostrano la loro competenza nell’analisi della sicurezza e dell’efficacia dei farmaci, ottimizzando le fasi di sviluppo e riducendo i tempi complessivi.
L’uso dell’intelligenza artificiale nella ricerca sul ripiegamento delle proteine abbraccia una vasta gamma di aspetti, offrendo notevoli vantaggi e alcune limitazioni. Le proteine coinvolte nelle malattie e le strutture atomiche degli anticorpi giocano un ruolo fondamentale nella progettazione di farmaci efficaci e sicuri. Tuttavia, l’emergere di potenti modelli di intelligenza artificiale ha fornito un approccio alternativo, prevedendo con precisione le strutture proteiche, risparmiando tempo e risorse.
Nei campi della previsione delle strutture proteiche, dell’ottimizzazione delle simulazioni di ripiegamento, dell’identificazione di nuove proteine e delle loro funzioni e della progettazione di nuove strutture proteiche, i modelli di apprendimento profondo (LLM) si sono dimostrati estremamente promettenti. Questi modelli, addestrati su un vasto archivio di strutture proteiche conosciute, sono in grado di proporre sequenze proteiche che migliorano la funzionalità e altre proprietà desiderate.
Tuttavia, Padmanabhan ha sottolineato che esistono alcune limitazioni, come la capacità limitata dei modelli di prevedere i cambiamenti causati da mutazioni di singoli aminoacidi e la mancanza di informazioni sulla dinamica delle proteine.
Per superare queste sfide, sono necessarie collaborazioni interdisciplinari. Costruire modelli efficaci di ripiegamento delle proteine richiede un team diversificato che comprenda ingegneri di dati, scienziati di dati, biologi strutturali ed esperti di apprendimento automatico. L’adozione dell’apprendimento federato, in cui i modelli vengono addestrati su dati di diverse aziende farmaceutiche e centri di ricerca senza condividere direttamente i dati, potrebbe avere un ruolo significativo nella trasformazione di questo campo.
AstraZeneca è fortemente impegnata nell’esplorare nuove vie per sfruttare dati e tecnologia al fine di ottimizzare la scoperta e lo sviluppo di nuovi farmaci. L’intelligenza artificiale sta consentendo ai ricercatori di ampliare i confini della scoperta scientifica e di sviluppare farmaci altamente efficaci che possono cambiare la vita delle persone.
Attraverso la simulazione di complesse interazioni molecolari, l’intelligenza artificiale sta accelerando la scoperta di nuovi farmaci, migliorando la percentuale di successo dei candidati farmaci e contribuendo a un miglioramento generale della salute a livello globale.