Scoprire e progettare un nuovo farmaco è uno dei compiti più impegnativi nelle scienze biologiche. Ci vogliono più di 10 anni e circa 2,6 miliardi di dollari per portare sul mercato un farmaco medio.

L'idea essenziale alla base della creazione di un nuovo farmaco è creare una molecola che si leghi a un bersaglio, come una proteina o DNA, in modo da attivare o inibire la sua funzione biologica. Quella, a sua volta, dovrebbe portare a un beneficio terapeutico per il paziente.

Idealmente, il farmaco deve essere altamente selettivo, il che significa che si lega fortemente alla molecola bersaglio senza influenzare altre molecole simili e che va d'accordo con il sistema metabolico umano. Ci sono molti passaggi prima che il farmaco possa arrivare sul mercato, compresi i test di tossicità, tre fasi di studi clinici e misurazioni per determinare la dose appropriata.

Mentre molte persone sono rimaste sorprese dal potere dell'intelligenza artificiale quando AlphaGo ha battuto per la prima volta gli esperti umani di Go alcuni anni fa, non era chiaro se l'IA potesse affrontare le sfide scientifiche.

Ma, lo scorso dicembre, DeepMind di Google ha vinto il concorso Critical Assessment of Structure Prediction utilizzando il suo ultimo sistema di intelligenza artificiale, AlphaFold. Questa competizione riconosce la tecnologia che può costruire al meglio la struttura 3-D di una proteina da sequenze biologiche. AlphaFold è stato in grado di vincere 25 concorsi su 43 con elevata precisione. A confronto, la prossima migliore squadra ne ha vinte solo tre.

La vittoria dominante di AlphaFold inaugura una nuova era della ricerca scientifica. Gli scienziati come me sono entusiasti di ciò che il futuro potrebbe riservare alla biomedicina. L'intelligenza artificiale renderà la scoperta di nuovi farmaci significativamente più rapida ed economica. Questo potrebbe essere particolarmente vantaggioso per i pazienti con malattie mediche rare, per i quali la scoperta di farmaci non è attualmente redditizia o per coloro i cui disturbi medici attualmente non possono essere trattati efficacemente con i farmaci, come il morbo di Alzheimer.

Progettazione automatizzata di farmaci

Però, la progettazione di farmaci è molto più complessa della previsione del ripiegamento delle proteine.

Reti generative avversarie, un tipo di programma di intelligenza artificiale all'avanguardia, potrebbe essere un prototipo per la scoperta di farmaci automatizzati. Una parte del programma genera potenziali molecole che potrebbero essere utilizzate nei farmaci, mentre l'altro elimina i candidati non qualificati sulla base delle informazioni del database esistente e dei requisiti farmacologici ideali.

Il generatore impara dagli errori rilevati dal discriminatore finché il discriminatore non è soddisfatto.

Uno dei principali ostacoli alla progettazione automatizzata di farmaci è la dimensione estrema del problema. Una tipica proteina umana e il suo farmaco legante hanno molti, molte configurazioni possibili. Anche se un computer enumera una possibile configurazione al secondo, ci vorrebbe ancora più tempo di quanto l'universo sia esistito per raggiungere la giusta configurazione.

Anche tutti i computer del mondo messi insieme non hanno abbastanza potenza per progettare farmaci automaticamente.

Districare le molecole

Nel mio laboratorio, affrontiamo queste sfide matematicamente. Il nostro lavoro si concentra sulla riduzione della complessità geometrica delle singole proteine ​​per i computer. Ogni proteina ha una forma unica che influenza le molecole a cui potrebbe legarsi. Abbiamo introdotto tre metodi matematici che aumentano notevolmente la capacità del computer di rappresentare nuove molecole di farmaci e il modo in cui potrebbero interagire con le proteine ​​del corpo umano.

Per esempio, il primo metodo utilizza la geometria differenziale, una tecnica usata da Einstein per formulare la sua teoria della relatività generale che spiegava lo spazio, il tempo e i moti delle stelle. Lo usiamo per descrivere le superfici di contatto e le interazioni di proteine ​​e farmaci. Ciò rende più facile per il computer valutare come la proteina reagirebbe a una determinata molecola di farmaco.

Un altro metodo è chiamato topologia algebrica, che fornisce un'astrazione di alto livello delle interazioni proteina-farmaco in modo che un computer possa facilmente cogliere la differenza tra un farmaco adatto e un'esca. L'altro metodo, teoria dei grafi, esamina l'ampia varietà di modi in cui una proteina potrebbe interagire con un farmaco, come il legame idrogeno, interazioni elettrostatiche o reazioni all'acqua. Studiando tutte queste possibili interazioni, possiamo fare attenzione a tutto ciò che potrebbe essere dannoso per la salute umana.

L'impatto dei nostri approcci matematici è correlato al meglio attraverso D3R Grand Challenges, una competizione mondiale annuale in cui i partecipanti mettono i loro strumenti contro i farmaci prescritti che pongono e problemi di legame. Abbiamo vinto il 14% dei concorsi in Grand Challenge 2 nel 2016, migliorandolo a un tasso di vincita del 38% in Grand Challenge 3 nel 2017. Il secondo vincitore ha avuto un tasso di vincita del 19%.

Nell'ultima Grande Sfida 4, i risultati preliminari indicano che potremmo avere le migliori previsioni nel 50 percento dei concorsi. Il nostro approccio è decine di migliaia di volte più veloce dei metodi tradizionali basati su simulazioni molecolari.

Stimolato da questo successo, we have entered into partnerships with Pfizer to improve mathematical AI tools for virtual screening and with Bristol-Myers Squibb to predict drug efficacy and optimize doses.

Integrating advanced mathematics and AI provides a powerful way to search for new drugs. It might be that, just a decade down the road, AI will become a leading force for new drug discovery, leading to less expensive and more efficient drugs.

Questo articolo è stato ripubblicato da The Conversation con una licenza Creative Commons. Leggi l'articolo originale.