Negli ultimi anni, l\u2019intelligenza artificiale (IA) \u00e8 emersa come un game-changer nel campo della ricerca farmaceutica. Con la capacit\u00e0 di analizzare vasti quantitativi di dati ad una velocit\u00e0 e accuratezza senza precedenti, gli algoritmi di IA stanno rivoluzionando il modo in cui vengono scoperti, progettati e sviluppati i farmaci. Non sorprende quindi che il campo della ricerca farmaceutica abbia visto un aumento significativo dell\u2019utilizzo delle tecniche di IA negli ultimi anni. Nell\u2019aprile 2021, l\u2019azienda inglese Exscentia \u00e8 stata la prima ad annunciare l\u2019entrata nella fase 1 della sperimentazione clinica della prima molecola progettata con tecniche di IA<\/strong> per l\u2019uso nella medicina oncologica. Attualmente, ci sono pi\u00f9 di 15 farmaci progettati con l\u2019aiuto di IA che sono entrati negli clinical trials<\/strong><\/a>. Secondo una recente analisi di Grand View Research, la dimensione globale del mercato dell\u2019IA nella scoperta di farmaci dovrebbe raggiungere i 9,1 miliardi di dollari entro il 2030.<\/p>\n In generale, l\u2019uso dell\u2019IA nella progettazione dei farmaci sta crescendo rapidamente ed \u00e8 destinato a diventare uno strumento sempre pi\u00f9 importante nel processo di ricerca e sviluppo dell\u2019industria farmaceutica nei prossimi anni. Non tutto \u00e8 oro per\u00f2 ci\u00f2 che luccica. Vediamo di seguito le applicazioni pi\u00f9 promettenti, insieme ai potenziali rischi e agli elementi che le aziende farmaceutiche devono tenere in considerazione per estrarre valore e benefici dall\u2019adozione di queste tecnologie.<\/p>\n Da sempre il processo di creazione di un nuovo farmaco richiede uno sforzo significativo in termini di tempo e risorse. Normalmente, ci vogliono in media dai 12 ai 15 anni per far arrivare un farmaco sul mercato<\/strong>. Con dati e modelli di IA appropriati, questo processo potrebbe essere notevolmente accelerato.<\/p>\n Una delle applicazioni pi\u00f9 promettenti dell\u2019IA nella progettazione dei farmaci \u00e8 l\u2019uso di algoritmi di apprendimento automatico per prevedere le propriet\u00e0 dei potenziali composti farmacologici. Normalmente, i ricercatori devono scegliere tra un numero infinito di possibilit\u00e0 di composti prima di procedere alla progettazione del composto che risulta essere l\u2019opzione migliore. Le aziende tradizionalmente creano lotti di molecole che sperano abbiano determinate propriet\u00e0 e poi le testano a turno. Gli algoritmi di IA possono essere addestrati per analizzare grandi database di strutture molecolari e identificare quelle con la pi\u00f9 alta probabilit\u00e0 di legarsi ad un determinato target farmacologico<\/strong>. Questo processo, noto come virtual screening, aiuta i ricercatori a prioritizzare quali composti testare in laboratorio, risparmiando tempo e risorse.<\/p>\n Gli algoritmi di IA possono essere utilizzati per progettare nuove molecole partendo da zero<\/strong>. I Nel dicembre 2022, due laboratori hanno annunciato dei programmi che utilizzano modelli di IA per la generazione di nuove proteine \u200b\u200bcon elevata precisione. Generate Biomedicines, startup con sede a Boston, ha rivelato il programma Chroma, che la societ\u00e0 descrive come il DALL-E 2 della biologia. Allo stesso tempo, un team dell\u2019Universit\u00e0 di Washington guidato dal biologo David Baker ha costruito un programma simile chiamato RoseTTAFold Diffusion<\/strong>, una nuova modalit\u00e0 per progettare proteine \u200b\u200bcombinando reti di previsione della struttura e modelli di diffusione generativa<\/strong><\/a>.<\/p>\n Ci sono pazienti che frequentano gli ospedali per anni testando farmaci che non funzionano. Un\u2019altra area in cui l\u2019IA sta facendo progressi significativi \u00e8 nello sviluppo della medicina personalizzata. Analizzando i dati individuali dei pazienti, tra cui informazioni genetiche, storia medica e fattori di stile di vita, gli algoritmi di IA possono aiutare a identificare le opzioni di trattamento pi\u00f9 efficaci per ciascun paziente<\/strong>, migliorando gli esiti dei pazienti e riducendo i costi sanitari. L\u2019IA permette infatti di accelerare i test dei farmaci. Ad esempio, nel caso di un paziente oncologico in cerca della cura pi\u00f9 efficace, invece di sottoporre il paziente a lunghi cicli di chemioterapia provando diversi cocktails di farmaci, \u00e8 possibile testare decine di trattamenti in parallelo su un campione di cellule (normali e malate) estratto dal paziente, ottimizzando e rendendo pi\u00f9 esaustiva la ricerca del giusto farmaco<\/strong><\/a>.<\/p>\n Gli algoritmi di IA possono anche essere utilizzati per prevedere la tossicit\u00e0 delle molecole candidate. Analizzando la struttura chimica di un composto e confrontandola con i composti tossici conosciuti, questi algoritmi possono identificare potenziali problemi di sicurezza<\/strong>gi\u00e0 nelle prime fasi della scoperta del farmaco. Ci\u00f2 avviene addestrando gli algoritmi di apprendimento automatico su grandi set di dati di molecole note come tossiche o non tossiche, il che consente all\u2019IA di riconoscere modelli e caratteristiche associati alla tossicit\u00e0, impedendo che la molecola venga ulteriormente sviluppata e testata negli studi sugli animali o sugli esseri umani.<\/p>\n Se, da un lato, l\u2019utilizzo dell\u2019IA per prevedere le molecole tossiche pu\u00f2 contribuire ad un approccio pi\u00f9 mirato allo sviluppo dei farmaci,<\/strong>poich\u00e9 i ricercatori possono concentrarsi sulle molecole pi\u00f9 sicure ed efficaci; dall\u2019altro lato, le potenzialit\u00e0 dell\u2019IA potrebbero essere sfruttate anche per la creazione di molecole tossiche. A marzo 2022, in uno studio pubblicato su Nature Machine Intelligence<\/strong><\/a>, un team di ricercatori dell\u2019azienda Collaborations Pharmaceuticals ha rivelato come ci siano volute meno di sei ore per i loro modelli di machine learning per generare 40.000 molecole potenzialmente letali. Lo studio mira a dimostrare con quanta facilit\u00e0 l\u2019IA potrebbe essere abusata per scopi non benefici. Tutto ci\u00f2 che i ricercatori hanno fatto \u00e8 stato modificare la loro metodologia per cercare, piuttosto che eliminare la tossicit\u00e0. L\u2019azienda dichiara che si \u00e8 trattato di un esercizio di pensiero che alla fine si \u00e8 evoluto in una vera e propria prova del rischio dell\u2019uso di IA per la realizzazione di armi biochimiche.<\/p>\n Certamente, cos\u00ec come l\u2019utilizzo di IA per il disegno di nuovi farmaci oncologici non \u00e8 un processo cos\u00ec veloce come pu\u00f2 sembrare, non lo \u00e8 nemmeno per la creazione di molecole tossiche per potenziali armi biochimiche<\/strong>. L\u2019intento dello studio \u00e8 stato quello di creare consapevolezza nella comunit\u00e0 degli scienziati sui potenziali abusi della tecnologia e di richiamare le autorit\u00e0 all\u2019impegno di regolamentarne l\u2019utilizzo.<\/p>\n Se l\u2019impiego di IA pu\u00f2 accelerare la progettazione dei farmaci, rimangono comunque dei limiti legati alle modalit\u00e0 di lavoro tradizionalmente utilizzate in laboratorio.<\/p>\n Per decenni i chimici hanno vagliato i farmaci candidati mettendo campioni del bersaglio desiderato in tanti piccoli scomparti in un laboratorio, aggiungendo diverse molecole e osservandone la reazione, ripetendo il processo molte volte. L\u2019automazione ha accelerato queste attivit\u00e0, ma il processo centrale per tentativi ed errori \u00e8 comunque inevitabile<\/strong>. L\u2019intuito e il giudizio del chimico in laboratorio rimangono cruciali per la decisione da prendere su quale molecola sintetizzare.<\/p>\n Inoltre, gli esperimenti su cellule e tessuti in laboratorio e i test sugli esseri umani rimangono tuttora le parti pi\u00f9 lente e costose del processo di sviluppo e non possono essere eliminati del tutto. L\u2019intero processo di scoperta di farmaci riguarda il fallimento. Molte molecole di farmaci che sembrano svolgere il loro lavoro in laboratorio finiscono per fallire quando vengono infine testate sulle persone. La validazione finale, quindi, deve essere fatta comunque in laboratorio dall\u2019uomo.<\/p>\n Al crescente utilizzo dell\u2019IA per la scoperta di nuovi farmaci, si accompagna la necessit\u00e0 di regolamentazioni e leggi chiare<\/strong>. Negli Stati Uniti, il panorama normativo per l\u2019IA nella scoperta di farmaci \u00e8 ancora in via di sviluppo. Tuttavia, la Food and Drug Administration (FDA), ovvero l\u2019ente governativo statunitense che si occupa della regolamentazione dei prodotti alimentari e farmaceutici, ha emesso linee guida per lo sviluppo e la convalida degli algoritmi di IA e di apprendimento automatico nei dispositivi medici, che possono essere applicati anche alla scoperta di farmaci<\/strong><\/a>.<\/p>\n Anche l\u2019Agenzia Europea per i Medicinali (EMA)<\/strong> ha riconosciuto l\u2019importanza dell\u2019IA nella scoperta di farmaci e ha affermato che l\u2019uso dell\u2019IA nello sviluppo di prodotti medicinali \u00e8 soggetto agli stessi requisiti normativi di altre tecnologie. L\u2019EMA ha evidenziato l\u2019importanza di garantire che l\u2019IA sia utilizzata in modo etico<\/strong>, trasparente e in conformit\u00e0 con i principi della buona pratica scientifica.<\/p>\n Nel complesso, c\u2019\u00e8 un crescente riconoscimento del potenziale dell\u2019IA nella scoperta di farmaci, e i regolatori stanno lavorando per sviluppare linee guida e normative chiare per il suo utilizzo. Con l\u2019ulteriore crescita dell\u2019utilizzo dell\u2019IA nell\u2019industria farmaceutica, \u00e8 importante garantire che sia utilizzata in modo etico, trasparente e in modo tale da proteggere la sicurezza dei pazienti e promuovere l\u2019innovazione lungo tutto il flusso di ricerca e sviluppo farmaceutico.<\/p>\n Negli ultimi anni, sono emerse diverse aziende cosiddette \u201cAI-native\u201d o \u201cAI-first\u201d<\/strong> il cui core business \u00e8 lo sviluppo di tecniche IA per la scoperta di farmaci. Questa nuova generazione di aziende biotecnologiche si sta concentrando su tre punti chiave di fallimento lungo la pipelin di sviluppo dei farmaci: (1) scegliere il giusto target, (2) progettare la molecola pi\u00f9 adatta che si leghi con esso, (3) determinare per quali pazienti quella molecola pu\u00f2 essere di maggiore aiuto. Le grandi aziende farmaceutiche sempre pi\u00f9 scelgono di collaborare con queste startup e aziende biotech emergenti nel campo dell\u2019IA come Owkin, Exscientia, Atomwise e Insilico Medicine. Il passaggio da modelli di business tradizionali centrati sull\u2019offerta di prodotti e servizi alla creazione di partnership per lo sviluppo congiunto di risorse ha portato ad un aumento degli investimenti nel settore farmaceutico. The investments<\/a><\/strong> di terze parti nella scoperta di farmaci abilitati all\u2019IA sono pi\u00f9 che raddoppiati negli ultimi cinque anni, superando i 2,4 miliardi di dollari nel 2020 e superando i 5,2 miliardi di dollari alla fine del 2021.<\/p>\n Nel complesso, le ultime applicazioni dell\u2019IA per la progettazione dei farmaci stanno trasformando il modo in cui vengono scoperti, progettati e sviluppati nuovi composti molecolari, offrendo una velocit\u00e0, una precisione e un\u2019efficienza senza precedenti nel processo di ricerca e sviluppo. L\u2019utilizzo di tecniche avanzate base sull\u2019IA giocher\u00e0 un ruolo sempre pi\u00f9 importante nello sviluppo di nuovi trattamenti e di medicine personalizzate<\/strong>, migliorando gli esiti dei pazienti e riducendo i costi sanitari.<\/p>\n Le aziende farmaceutiche, tuttavia, devono adottare nuovi modelli di business e di governance<\/strong> per diventare partner di riferimento per i nuovi players nell\u2019industria farmaceutica, ovvero per le cosiddette aziende AI-first, e sfruttare la creazione di valore congiunto.<\/p>\n In questo panorama in apparente rapida evoluzione, inoltre, il ruolo delle autorit\u00e0 regolamentative \u00e8 cruciale per definire i confini di applicazione di queste tecniche e garantirne un utilizzo sicuro, etico e trasparente.<\/p>\n![\"\"](\"https:\/\/www.fedaiisf.it\/wp-content\/uploads\/2021\/02\/intelligenza-artificiale-in-medicina.jpg\")
Il costo dello sviluppo di un nuovo farmaco<\/strong> che ottiene l\u2019approvazione del mercato \u00e8 di circa 2,6 miliardi di dollari (Properzi, F., Taylor, K., Steedman, M., Ronte, H., Haughey, J. 2019. Intelligent Drug Discovery Powered by AI<\/em>, Deloitte UK Centre for Health Solutions<\/a>). \u00a0Un terzo del tempo del processo medio di ricerca e sviluppo viene speso nella prima fase di ricerca di un farmaco. Al giorno d\u2019oggi, una delle principali sfide nella fase iniziale della ricerca farmaceutica che scienziati e aziende si trovano a dover affrontare \u00e8 la vasta quantit\u00e0 di dati e informazioni scientifiche che possono essere rilevanti per l\u2019obiettivo<\/strong> da raggiungere ma presentano un elevato grado di complessit\u00e0 nella gestione e nell\u2019estrazione del loro valore.<\/p>\nL\u2019IA rivoluziona la ricerca farmaceutica<\/h2>\n
<\/span>Applicazioni<\/strong><\/h2>\n
<\/span>Predizione delle propriet\u00e0 dei composti<\/h3>\n
<\/span>De-novo drug design<\/h3>\n
![\"\"](\"https:\/\/www.fedaiisf.it\/wp-content\/uploads\/2017\/10\/Intelligenza-Artificiale-AI.jpg\")
ricercatori possono dare in input all\u2019algoritmo di IA le propriet\u00e0 che la molecola deve avere e l\u2019algoritmo genera molecole candidate che soddisfano questi criteri. Ci\u00f2 consente l\u2019esplorazione di uno spazio chimico molto pi\u00f9 ampio rispetto ai metodi tradizionali, aumentando le possibilit\u00e0 di scoperta.<\/p>\n<\/span>La medicina personalizzata<\/h3>\n
<\/span>Rischi<\/strong><\/h2>\n
<\/span>Limitazioni\u00a0<\/strong><\/h2>\n
<\/span>La necessit\u00e0 di testare i farmaci sull\u2019uomo<\/h3>\n
<\/span>Le regolamentazioni<\/h3>\n
<\/span>La necessit\u00e0 per le aziende di creare rete<\/h2>\n
![\"\"](\"https:\/\/www.fedaiisf.it\/wp-content\/uploads\/2017\/07\/Intelligenza.Artificiale.jpg\")
Anche se le innovazioni guidate dall\u2019IA mostrano risultati impressionanti, la rivoluzione dell\u2019IA nella scoperta di farmaci non avverr\u00e0 dall\u2019oggi al domani<\/strong>. Le grandi aziende farmaceutiche detengono importanti asset come capitale, competenza scientifica, know-how, competenza normativa e team commerciali consolidati. Ci\u00f2 nonostante, i grandi investimenti nelle aziende IA emergenti e l\u2019incremento della sperimentazione in silico stanno abbassando le barriere all\u2019ingresso nell\u2019industria. Le partnership continueranno ad essere un modo efficace per accelerare l\u2019adozione di tecniche di scoperta guidate dall\u2019IA e creare solide proposte di valore. La quantit\u00e0 di capitale, know-how e dati circolanti per la scoperta di farmaci con l\u2019IA \u00e8 di gran lunga superiore a quella che qualsiasi azienda pu\u00f2 dedicare da sola.<\/p>\nConclusions<\/h2>\n