Vuoi essere reindirizzato a uno dei nostri siti esterni e lasciare amgen.it?
ATTENZIONE, STAI LASCIANDO IL SITO WEB DI AMGEN. Amgen Italia non si assume la responsabilità e non esercita alcun controllo su organizzazioni, visite o accuratezza delle informazioni contenute su questo server o sito.
Come l’intelligenza artificiale sta rivoluzionando lo sviluppo di farmaci biologici
Lo sviluppo di farmaci biologici è lungo, difficile e costoso. Generalmente si parte dallo studio delle proteine, per poi passare al lento e minuzioso processo della loro trasformazione in farmaci sicuri ed efficaci. Ma l’avvento dell'intelligenza artificiale (AI), di tecniche analitiche avanzate e di modalità innovative di ricerca sta cambiando tutto, grazie a un processo chiamato biologia generativa.
Così come i sistemi di AI generativa (come ChatGPT) consentono di creare nuovi dati, testi o immagini a partire da elementi reali, la biologia generativa consente di sviluppare nuovi farmaci biologici con la struttura e le proprietà desiderate.
I ricercatori di Amgen hanno iniziato a utilizzare i dati specifici delle proteine per istruire gli algoritmi di machine learning (ML) a progettare molecole più rapidamente e in modo più efficace. Le proteine così ottenute possono poi essere valutate in laboratorio con piattaforme automatizzate altamente efficienti, fornendo ulteriori dati per affinare i modelli di ML in una sorta di ciclo generativo.
Progettare modelli di proteine grazie all’AI
In passato, prevedere il modello della struttura di una proteina rappresentava una grande sfida per i modelli informatici. Nel corso del tempo, però, questi modelli sono migliorati e ciò ha permesso di riconoscere schemi complessi all'interno delle sequenze proteiche.
Grazie ai progressi dell'AI generativa, alcuni modelli sono oggi persino in grado di progettare proteine nuove di zecca, il che potrebbe migliorare notevolmente lo sviluppo di farmaci. Per farlo basta avere nel dettaglio i dati funzionali e relativi alle proprietà delle proteine che si vogliono sviluppare.
Dal laboratorio al paziente
Per determinare il comportamento di una proteina o di un anticorpo, i ricercatori spesso ne producono inizialmente grandi quantità. Un processo difficile e dispendioso che viene solitamente rimandato fino a poco prima della sperimentazione clinica. Per accelerare questo processo, i ricercatori stanno sviluppando strumenti più veloci, automatizzati e ad alta efficienza, in grado di produrre proteine su scala più ampia per raccoglierne i dati, così da poterle testare prima, in modo più rapido e approfondito.
Amgen ha per esempio sviluppato un modello di ML per prevedere la viscosità di una proteina, proprietà importante nello sviluppo di un farmaco. Finora era estremamente difficile prevedere una caratteristica di questo tipo, ma con lo sviluppo dell'AI generativa e di modelli di ML più potenti, queste previsioni sono ora possibili, con una precisione superiore all'80%.
Oltre alle sue caratteristiche, anche considerare come il farmaco si comporta nell’organismo di un paziente è altrettanto fondamentale. Le proteine possono per esempio provocare una risposta immunitaria indesiderata e spesso l'unico modo per saperlo è monitorare i pazienti coinvolti negli studi clinici. Per individuare le risposte immunitarie del corpo umano nelle prime fasi dello sviluppo di un farmaco, i ricercatori di Amgen stanno studiando l’uso di organoidi realizzati a partire da tessuti veri grazie all’utilizzo di piattaforme tecnologiche di ultima generazione.
Obiettivo: più dati
La creazione di modelli di ML efficaci per lo sviluppo di farmaci biologici ha infine bisogno delle caratteristiche di centinaia, se non migliaia, di molecole. La maggior parte delle aziende farmaceutiche inserisce però nelle sperimentazioni cliniche, in media, solo dai 3 ai 12 farmaci di questo tipo. Solo mettendo in comune tutti i dati, si potrà quindi ottenere un numero sufficiente di dati per sviluppare modelli di ML efficaci. Una prospettiva attuabile grazie a un modello noto come apprendimento collaborativo, che protegge le informazioni sensibili delle aziende, pur permettendo di condividere i dati comuni necessari. Un ulteriore elemento in grado di affinare, grazie a modelli di ML sempre più aggiornati, lo sviluppo di farmaci biologici, offrendo benefici ai pazienti con una velocità e un successo mai visti fino a questo momento.