I ricercatori di intelligenza artificiale sviluppano un metodo per riutilizzare i farmaci esistenti per combattere il Covid-19
Un team internazionale di ricercatori ha applicato modelli di IA per trovare farmaci già esistenti in grado di trattare il Covid-19 nei pazienti anziani. Il team di ricerca ha applicato modelli di autoencoder a farmaci già sul mercato, con l’obiettivo di trovare punti in comune nei cambiamenti nell’espressione genica causati sia dall’invecchiamento naturale che dal Covid-19.
Come spiegato dalla biologa computazionale del MIT, Caroline Uhler, coautrice dello studio, il problema con lo sviluppo di nuovi farmaci per combattere il Covid-19 è che il processo di sviluppo del farmaco può richiedere anni. L’intelligenza artificiale è già stata sfruttata per scoprire nuovi farmaci, trovando nuove formulazioni per farmaci terapeutici molto più velocemente dei tradizionali metodi di scoperta di farmaci. Sfortunatamente, anche la velocità relativamente elevata alla quale i farmaci possono essere scoperti usando l’IA è ancora troppo lenta quando si tratta di situazioni come la pandemia Covid-19. È molto più opportuno riutilizzare i farmaci esistenti.
Per trovare un farmaco in grado di combattere gli effetti del Covid-19 nelle popolazioni anziane, i ricercatori hanno esaminato i geni che hanno subito cambiamenti durante il normale invecchiamento e quando sono stati colpiti dal virus Covid-19.
Si ipotizza che Covid-19 utilizzi determinate vie cellulari, in particolare le vie infiammatorie, per replicarsi. È anche noto che gli effetti del Covid-19 sono molto peggiori nelle popolazioni anziane rispetto alle popolazioni più giovani. Inoltre, i sistemi respiratori degli individui anziani sono caratterizzati da alterazioni della rigidità dei tessuti. Alla luce di questi fatti, i ricercatori hanno cercato geni alterati sia dall’invecchiamento che dal Covid-19, con l’obiettivo di trovare farmaci che interagiscano positivamente con questi geni.
Il team di ricerca ha utilizzato un processo in tre fasi per trovare geni comuni a entrambi i percorsi. Nella prima fase della ricerca, il team ha utilizzato un autoencoder per generare un elenco di farmaci candidati. Ciò è stato fatto facendo in modo che l’autoencoder analizzasse due set di dati dei modelli di espressione genica, selezionando i farmaci che sembravano ridurre l’impatto complessivo del virus. Il risultato è stato un elenco di farmaci candidati e le relative interazioni con le proteine nelle vie di invecchiamento e infezione. Successivamente, i ricercatori hanno preso l’elenco dei farmaci candidati e hanno mappato le interazioni tra le proteine e i due diversi percorsi, producendo una mappa delle interazioni proteiche per entrambi. I ricercatori hanno quindi confrontato le due mappe di interazione delle proteine per trovare aree di sovrapposizione.
Nella fase finale del progetto di ricerca, il team ha utilizzato metodi statistici per determinare la causalità all’interno delle reti mappate. Utilizzando questo metodo, sono stati in grado di determinare i geni esatti con cui un farmaco candidato dovrebbe interagire per ridurre in modo più efficace la gravità di un’infezione da Covid-19.
Secondo i risultati della loro analisi, il gene RIPK1 era la parte del genoma ritenuta più adatta per il targeting dei farmaci terapeutici Covid-19. Alcuni dei farmaci candidati sono usati per curare il cancro. Altri farmaci candidati sono già in fase di sperimentazione da parte di istituti medici per il trattamento del Covid-19.
Il team di ricerca osserva che questo è solo il primo passo per determinare quali farmaci potrebbero essere riutilizzati per il trattamento del Covid-19. Dovranno essere condotti ampi esperimenti in vitro e sperimentazioni cliniche per determinare se i farmaci sono effettivamente efficaci. Tuttavia, se l’approccio si dimostra efficace, potrebbe essere utilizzato per trovare farmaci efficaci per altre condizioni.
Secondo il gruppo di ricercatori scrive:
“Anche se applichiamo la nostra piattaforma di calcolo nel contesto di SARS-CoV-2, i nostri algoritmi integrano modalità di dati disponibili per molte malattie, rendendole così ampiamente applicabili”.
