IA e Drug Discovery: la nuova frontiera della ricerca farmaceutica

Le tecnologie di intelligenza artificiale stanno trasformando radicalmente i processi di scoperta di nuovi farmaci, grazie all’analisi efficiente, rapida e precisa di grandi volumi di dati.

di Chiara Grande, Marketing and Partnership Manager di Seeweb

 

Negli ultimi anni la scoperta di nuovi farmaci (drug discovery) sta vivendo una trasformazione radicale grazie all’introduzione di tecnologie di intelligenza artificiale (IA) sempre più sofisticate. Modelli di deep learning, reti neurali generative e algoritmi di apprendimento per rinforzo (RL) riescono ad analizzare enormi quantità di dati, predire l’attività biologica di molecole sconosciute e analizzare aspetti di tossicità dei composti, nonché la loro reazione nel contesto di terapie individuali specifiche. Un’evoluzione che si tradurrà nella sempre più rapida scoperta di nuovi medicinali e nuove cure nei prossimi anni.

 

Dall’approccio tradizionale all’accelerazione dell’IA

La scoperta di farmaci è un’attività complessa e impegnativa in termini di tempo, tradizionalmente basata su tecniche laboriose (esperimenti trial‑and‑error, screening ad alta capacità); la necessità di test su larga scala implica l’esame di grandi numeri di composti potenziali per individuare quelli con le proprietà adeguate.

Come evidenziato nel paper “The role of AI in Drug Discovery: Challenges, Opportunities and Strategy”, tecniche di IA quali machine learning (ML) e natural language processing (NLP) possono accelerare e migliorare il processo, permettendo analisi più efficienti e precise di grandi volumi di dati.

Gli algoritmi di intelligenza artificiale, in particolare, possono:

• analizzare simultaneamente migliaia di proteine, prevedendone la struttura 3D;
• generare molecole con proprietà predefinite;
• prevedere efficacia e tossicità di nuovi composti con maggiore accuratezza ed efficienza rispetto ai metodi tradizionali;
• identificare nuovi target terapeutici (proteine, percorsi genetici).

La possibilità, da parte dell’intelligenza artificiale, di prevedere efficacia e tossicità dei farmaci è un vantaggio importante nel contesto della drug discovery. L’algoritmo, qui, ha la capacità di analizzare enormi volumi di dati e di identificare pattern non evidenti all’occhio umano, permettendo di validare in tempi molto più brevi nuovi composti bioattivi a seconda dei loro effetti collaterali nel tempo. Non solo effetti collaterali del composto “candidato” alla distribuzione commerciale: l’AI è utile anche per individuare le interazioni tra un farmaco e un altro. Un passo avanti nell’ambito della medicina personalizzata, che adegua le terapie al profilo genetico e alla risposta del singolo paziente.

Le sinergie che aumentano il vantaggio dell’IA sulla scoperta dei farmaci

L’integrazione di ML, simulazioni di dinamica molecolare (MD) e tecniche di deep learning (DL) sta accelerando il design de‑novo di farmaci, sfruttando sinergie tra modelli predittivi e simulazioni fisiche. L’IA, infatti, facilita la progettazione di nuovi composti con proprietà specifiche. Mentre i metodi tradizionali modificano composti esistenti, gli approcci IA possono generare molecole totalmente nuove in maniera rapida. Un avanzamento che non può prescindere dalla collaborazione tra esperti di Intelligenza Artificiale e chimici farmaceutici.

Sinergia tra esperti diversi, ma anche collaborazione con le macchine: oggi, grazie alla potenza di calcolo offerta dalle GPU e alla disponibilità di enormi dataset – sequenze genomiche, crio‑EM, strutture proteiche, risultati di screening ad alta‑throughput – è possibile velocizzare quelli che prima erano lunghi cicli sperimentali di sintesi e test biologici.

GPU Computing: i server che velocizzano il mondo del pharma

Oggi, qualsiasi iniziativa di AI/ML, simulazione e integrazione di dati in un contesto come quello farmaceutico, che ne richiede tantissimi, non può fare a meno di potenza di calcolo adeguata. Solo le GPU, qui, rendono possibile l’esplorazione di tali vastissimi spazi chimici, consentendo di predire comportamenti biologici con accuratezza.

Utilizzare modelli adeguati, dataset ampi e hardware GPU potente sono alla base del successo della ricerca farmacologica: senza la capacità di throughtput delle schede grafiche, non sarebbe possibile abilitare il training di centinaia di TB di dati.

Drug discovery innovativa e GPU Computing: Sibylla Biotech

Startup innovativa fondata nel 2017 come spin-off dell’INFN (Istituto Nazionale di Fisica Nucleare) e dell’Università di Trento e Perugia, Sibylla Biotech è un esempio di innovazione assoluta in ambito drug discovery.

Superando le metodologie tradizionali, Sibylla sviluppa farmaci che agiscono con il meccanismo di azione Pharmacological Protein Inactivation by Folding Intermediate Targeting (PPI-FIT): una strategia basata sullo sviluppo di small molecule che legano stati di ripiegamento intermedi, impedendo il corretto ripiegamento della forma funzionale della proteina. Questo stato non ripiegato correttamente viene quindi naturalmente riconosciuto dai meccanismi di controllo qualità della cellula e indirizzato alla degradazione.

Per accelerare tale innovazione e sviluppare nuove molecole per il trattamento di malattie oncologiche, Sibylla utilizza tecnologie come il Cloud GPU Computing di Seeweb.

 

Criticità e sfide dell’innovazione nella scoperta dei farmaci

Machine Learning e Deep Learning hanno il potenziale di trasformare radicalmente la scoperta di farmaci, migliorando efficienza, accuratezza, velocità di sviluppo e consentendo trattamenti più efficaci e personalizzati. Tuttavia, oltre a una potenza computazionale adeguata, il successo delle attività di drug discovery dipende anche da altri fattori, quali:

• la qualità dei dati;
• la corretta gestione dei problemi etici;
• Il riconoscimento dei limiti intrinseci degli approcci IA;
• la revisione della durata dei brevetti;
• il miglioramento delle competenze interne.

Oggi, gli approcci AI possono prevedere più facilmente ed efficacemente efficacia, tossicità e interazioni farmaco-farmaco, ma richiedono enormi volumi di dati e tali dati devono essere di qualità elevata.

Oltre alla necessità di avere a disposizione dati “buoni”, le sfide dell’innovazione scientifica con l’AI sono anche la gestione di problemi etici e di privacy così come l’importanza di affiancare alle sperimentazioni innovative anche la ricerca più tradizionale, unendo le competenze di esperti di intelligenza artificiale e scienziati del mondo del Pharma.

Ulteriore snodo, i brevetti: con l’AI che cambia il modello di sempre, basato su brevetti di lungo periodo, si renderà sempre più urgente rivedere la frequenza dei brevetti, stimolando così l’innovazione e, probabilmente, indebolendo una tradizione fatta di lunghi monopoli.

Anche la mancanza di competenze interne può frenare la possibilità di sfruttare al meglio tali tecnologie: c’è il rischio, peraltro, che le Big Tech assorbano il valore generato dalla scoperta di nuovi farmaci, e già ora Google, Microsoft e Amazon stanno investendo miliardi di dollari in IA per la biologia computazionale, creando piattaforme di drug discovery as‑a‑service.

L’importanza di infrastrutture fidate e compliant

Con l’integrazione di IA, GPU cloud e una regolamentazione agile, la drug discovery sta per entrare in una nuova era di velocità, efficienza e innovazione. Il futuro dei farmaci – e, di conseguenza, della salute globale – dipenderà dalla capacità di combinare competenze scientifiche, tecnologiche e normative in una sinergia senza precedenti.

Una leva importante per accompagnare il successo della ricerca scientifica nel mondo del pharma è la tecnologia abilitante, rappresentata in particolare dal GPU Computing, da sostenere con nuovi approcci in termini di analisi della data quality, privacy, brevetti, competenze.

La tecnologia stessa ha un ruolo importante dal punto di vista della protezione dei dati e dei progetti scientifici, considerando che l’Intelligenza Artificiale per la drug discovery si nutre di dati clinici, genetici e di sperimentazione pre‑clinica, tutti soggetti a normative severe (GDPR, HIPAA, EU AI‑Act).

La sfida è, qui, bilanciare la necessità di ampie quantità di dati con la tutela della privacy, la riservatezza delle informazioni con la possibilità di migrare sul cloud, per motivi di flessibilità, costi, gestione, aggiornamento.

Le infrastrutture cloud GPU di Seeweb, Cloud Provider europeo del Gruppo DHH e con data center di proprietà in Italia, si evidenziano come una alternativa sicura alle infrastrutture GPU on-premise, riducendo costi, tempi di upgrade dell’hardware e attività di manutenzione e configurazione.

Con i server GPU di Seeweb è possibile sfruttare la potenza di istanze GPU con schede grafiche di ultima generazione fornite da vendor quali AMD e Nvidia, in grado di garantire che i dati rimangano confinati all’interno del territorio europeo senza rischi di utilizzi da parte di soggetti diversi dal cliente, con le sue garanzie di sicurezza, privacy e compliance, indispensabili in un ecosistema in cui i dati sono il nuovo oro dell’intelligenza artificiale. Un’opportunità per supportare progetti su larga scala, con particolare riferimento alla ricerca scientifica, predisponendo le basi per quello sviluppo auspicato nel documento “The future of European competitiveness” (il report che Mario Draghi ha presentato nel Settembre 2024) e alimentando un ecosistema che valorizza competenze e infrastrutture europee.