Come l'intelligenza artificiale generativa rende la scoperta dei farmaci più veloce e meno costosa

L'intelligenza artificiale generativa è pronta a rivoluzionare la scoperta dei farmaci, consentendo la scoperta di molecole, la progettazione di anticorpi e persino lo sviluppo di farmaci di precisione.

È impossibile sfuggire alle notizie sull'intelligenza artificiale e sull'impatto che sta avendo su quasi tutti i settori. Dal settore manifatturiero, a quello bancario, a quello sanitario, la capacità dell'IA di analizzare grandi quantità di dati e di sviluppare nuove intuizioni la rende estremamente utile per tutti i settori che devono gestire enormi quantità di informazioni. Ciò include l'industria farmaceutica e la scoperta di farmaci.

Si stima che esista un numero di molecole simili ai farmaci compreso tra la decima e la sessantesima potenza. Scoprire, sintetizzare e testare un numero così elevato di potenziali molecole è ovviamente impossibile. Tuttavia, l'intelligenza artificiale generativa nella scoperta dei farmaci può cercare in pochi secondi tra vaste quantità di dati, creando nuovi farmaci che altrimenti richiederebbero mesi o anni.

Come l'IA generativa può essere utilizzata nella scoperta di farmaci

Il tipico processo di scoperta di un farmaco può durare oltre un decennio, dall'idea iniziale alla sperimentazione clinica e al rilascio pubblico. Questo processo costa anche miliardi per essere completato, il che significa che le aziende hanno tutti gli incentivi per accorciare i tempi e risparmiare denaro. Per molti, l'IA generativa è la chiave per raggiungere questo obiettivo. L'IA viene utilizzata in applicazioni quali:

Generazione di molecole

La capacità dell'IA generativa di simulare le strutture molecolari e il modo in cui interagiscono con il corpo del paziente può essere utilizzata per sviluppare molecole con proprietà desiderabili e comunque sicure per i pazienti. Combinando i modelli di IA con le moderne tecniche di sviluppo delle molecole, le aziende farmaceutiche possono accelerare il processo di creazione di nuovi farmaci.

Progettazione di anticorpi

L'IA generativa può essere addestrata sulle sequenze proteiche e quindi utilizzata per creare anticorpi specifici contro gli agenti patogeni. Questi modelli di linguaggio proteico possono migliorare la qualità e la velocità della progettazione di anticorpi e persino creare anticorpi completamente nuovi, cioè che non si basano su dati di addestramento e che possono essere testati e verificati in un laboratorio del mondo reale.

Riproposizione dei farmaci

Il repurposing dei farmaci consente alle aziende farmaceutiche di scoprire nuovi usi per farmaci già approvati per il pubblico, evitando i costi di sviluppo e i tempi di investimento normalmente associati alla scoperta dei farmaci. Per esempio, il farmaco semaglutide è stato originariamente utilizzato per aiutare i pazienti diabetici a gestire la loro condizione, ma è stato poi adattato per la perdita di peso come Ozempic. Gli algoritmi di intelligenza artificiale possono esaminare rapidamente i database di conoscenze scientifiche esistenti per esplorare nuove applicazioni per molecole preesistenti.

Progettazione di farmaci de novo

I modelli di IA possono anche generare strutture molecolari completamente nuove e prevedere la loro interazione con i bersagli biologici. Questo approccio può essere applicato agli approcci basati sull'atomo, sui frammenti e sulle reazioni per la creazione di nuove strutture e portare a progetti di farmaci de novo che affrontano i problemi da una più ampia varietà di angolazioni.

Scoperta di farmaci di precisione

I farmaci di precisione sono molto desiderabili per l'assistenza sanitaria, in quanto possono aiutare i medici a trattare le condizioni di un paziente in modo più accurato rispetto a una prescrizione generica. Tuttavia, il processo di creazione di farmaci personalizzati per ogni singolo paziente è ovviamente impossibile nel paradigma attuale. La capacità dell'intelligenza artificiale di analizzare insiemi di dati multimodali, come i dati dei pazienti, le informazioni genetiche, gli studi delle biobanche e altro ancora, può aiutare a progettare candidati farmaci su misura per le esatte esigenze di un paziente.

Le sfide dell'IA nella scoperta dei farmaci

Come per ogni nuova tecnologia, anche per la scoperta di farmaci con l'AI ci sono sfide e ostacoli da superare.

L'IA generativa può talvolta creare "allucinazioni", risultati errati che di solito derivano da dati insufficienti o da ipotesi imprecise fatte dall'IA. Se da un lato questo può essere talvolta utile nella scoperta di farmaci, in quanto porta a nuove possibilità che i ricercatori non avevano considerato, dall'altro può anche portare l'IA a suggerire composti chimici impossibili da creare nella vita reale.

La soluzione a questo problema consiste nell'addestrare i modelli di IA su molecole e reazioni chimiche note come valide, come nel caso dell'IA SyntheMol di Stanford Medicine. In questo modo si garantisce che l'IA suggerisca solo farmaci che possono essere effettivamente creati.

Il secondo problema principale è l'hardware per l'IA. Gli attuali modelli di IA dipendono in larga misura dall'elaborazione parallela, che consente di analizzare simultaneamente grandi quantità di dati. Tuttavia, l'elaborazione in parallelo richiede computer specializzati con le giuste attrezzature, come potenti PC con pannello medico supportati da processori e GPU adeguati.

Riflessioni finali

Pur richiedendo modelli di addestramento efficaci e hardware potente, la scoperta dei farmaci basata sull'IA promette di rivoluzionare l'industria farmaceutica con uno sviluppo più rapido ed economico.

Se la vostra azienda sta esplorando l'IA generativa e sta cercando una soluzione hardware affidabile per supportarla, contattate il team di Cybernet Manufacturing. La nostra esperienza come produttore di apparecchiature originali per una serie di computer e tablet medicali ci permette di progettare e costruire un dispositivo in base alle vostre esigenze, consentendovi di trarre il massimo vantaggio dalle più recenti soluzioni di IA generativa.