Da quando le tecnologie di IA sono state integrate nella scoperta dei farmaci, oltre dieci anni fa, il numero di farmaci e vaccini scoperti con l’ausilio dell’IA è aumentato esponenzialmente. Le aziende focalizzate sulle biotecnologie IA (le cosiddette AI-native Biotech) sono state particolarmente di successo, con numerose molecole che stanno avanzando nei trial clinici.
Sebbene la capacità dell’IA di scoprire nuove molecole stia guadagnando attenzione, la domanda cruciale che rimane è: quanto sono efficaci queste molecole nei trial clinici?
Una recente analisi condotta da Boston Consulting Group e pubblicata a giugno 2024 su Drug Discovery Today affronta proprio questa domanda, offrendo uno sguardo preliminare sui tassi di successo clinico dei farmaci e dei vaccini scoperti grazie all’IA. I risultati sono promettenti, con le molecole scoperte dall’IA che mostrano tassi di successo significativamente più alti nelle fasi iniziali dei trial clinici rispetto alla media storica dell’industria. La scoperta di farmaci è un processo lungo, complesso e costoso, noto per il suo alto tasso di fallimento. Tradizionalmente, ci vogliono anni per scoprire nuove piccole molecole, e solo una frazione di esse riesce a superare le varie fasi dei trial clinici.
L’influenza dell’IA è più evidente infatti nella Fase I dei trial, dove i tassi di successo delle molecole scoperte grazie all’IA sono stati riportati dell’ 80-90%, numeri impressionanti se li confrontiamo con i tassi di successo “tradizionali” che si aggirano intorno al 40-60%. Su 24 molecole scoperte con l’IA che hanno completato i trial di Fase I, 21 sono state considerate di successo.
La capacità dell’IA di progettare o identificare molecole che abbiano le caratteristiche di un farmaco, con profili favorevoli come assorbimento, distribuzione, metabolismo ed escrezione (ADME), potrebbe essere la causa principale di questo alto tasso di successo, scrivono gli autori.
Tuttavia, analizzando i dati della Fase II, i risultati si allineano maggiormente con i tassi di successo tradizionali, sollevando interrogativi sulla scalabilità e sull’impatto a lungo termine dell’IA nello sviluppo clinico dei farmaci. Su dieci molecole scoperte grazie all’IA che hanno completato i trial di Fase II, solo quattro sono state considerate di successo, con un tasso di successo del 40%, in linea con i tassi di successo storici.
Tuttavia, uno degli aspetti interessanti emersi dall’analisi è che molte delle molecole che sono state fermate o interrotte dopo la Fase II lo sono state per motivi non legati ai risultati clinici negativi, ma piuttosto per ragioni aziendali, come la riprioritizzazione dei portafogli o difficoltà operative. Questo suggerisce che, sebbene ci siano ancora delle sfide scientifiche da superare, l’IA potrebbe comunque avere un ruolo importante anche nelle fasi più avanzate del processo.
Il fatto che i tassi di successo si allineino con quelli tradizionali potrebbe suggerire che, sebbene l’IA sia abile nell’identificare i bersagli biologici e le vie terapeutiche promettenti, la vera sfida rimanga quella dell’efficacia clinica. La difficoltà nel passare dalla progettazione della molecola alla sua efficacia clinica è una delle principali sfide della scoperta di farmaci, e potrebbe essere questa la ragione principale per cui molte molecole scoperte tramite IA incontrano difficoltà in Fase II.
Il rapporto sottolinea il successo dell’IA nell’identificare o generare molecole con proprietà simili a quelle di un farmaco, suggerendo che l’IA non sia solo uno strumento per ottimizzare la scoperta, ma anche capace di creare nuove molecole con un forte potenziale clinico. Questo successo precoce si sta vedendo in diverse aree terapeutiche, con l’oncologia in prima linea, che rappresenta circa la metà della pipeline clinica guidata dall’IA.
E in futuro?
Se i tassi di successo osservati nella Fase I e II si dovessero mantenere, si legge, combinati con i tassi di successo storici della Fase III, la probabilità di successo di una molecola attraverso tutte le fasi cliniche potrebbe aumentare dal 5-10% al 9-18%. Questo rappresenterebbe quasi il raddoppio della produttività della R&D farmaceutica, con enormi benefici economici e operativi.
L’analisi dei dati OMICs rappresenta un campo di indagine scientifica all’avanguardia, un crocevia tra la biologia molecolare e le scienze computazionali. Essa si concentra sull’interpretazione di vasti e complessi set di dati generati dalle cosiddette tecnologie “OMICs”, discipline biologiche che studiano globalmente specifici insiemi di molecole all’interno di un sistema biologico. Pensiamo alla genomica, che scruta l’intero patrimonio genetico di un organismo, alla trascrittomica, che analizza l’insieme di tutti gli RNA prodotti, alla proteomica, focalizzata sull’universo delle proteine, o ancora alla metabolomica, che indaga la totalità dei metaboliti presenti.
L’importanza di questa analisi risiede nella sua capacità di trasformare enormi quantità di informazioni grezze in conoscenza significativa. Attraverso sofisticate tecniche statistiche e computazionali, è possibile identificare biomarcatori di malattie, comprendere le intricate interazioni tra i diversi componenti molecolari, prevedere come un individuo potrebbe rispondere a specifici trattamenti e, in ultima analisi, aprire la strada a una medicina sempre più personalizzata.
I principali modelli e software per IA in ambito biomedico
Un saggio a cura di Alberto Tozzi e Diana Ferro edito di recente da Il pensiero Scientifico Editore dal titolo Guida facile all’intelligenza artificiale in medicina, propone una sintesi dei principali modelli e software per IA in ambito biomedico. Esistono sistemi come AlphaFold, una piattaforma di proprietà di Google (Deepmind) e Boltz-1, che sono in grado di prevedere la struttura 3D delle proteine e delle loro interazioni con DNA, RNA e altre piccole molecole. Esiste una versione super rapida di questi sistemi chiamata MassiveFold, che esegue le stesse operazioni di AlphaFold ma in ore invece che in mesi. Anche Pioneer identifica interazioni fra proteine in relazione a diversi tipi di cancro.
Evo analizza invece sequenza di DNA per prevedere funzioni genetiche e varianti, mentre MethylGPT è un modello per prevedere siti di metilazione del DNA per valutare l’esito delle terapie. PocketGen identifica le regioni delle proteine che meglio rispondono ai farmaci. L’Human Cell Atlas è invece un modello di mappatura cellulare per classificare tutti i tipi di cellule usando milioni di dati. E ancora, RhoFold prevede la struttura 3D dell’RNA.
