AtomNet, l'intelligenza artificiale crea farmaci

Nuovi medicinali messi a punto da reti neurali convoluzionali

AtomNet è il nome di una nuova incredibile tecnologia messa a punto dall'azienda statunitense Atomwise, nota per i suoi studi sull'intelligenza artificiale.
AtomNet rappresenta una pietra miliare nel campo del Machine learning (apprendimento automatico). Si tratta infatti della prima rete neurale artificiale in grado di recitare un ruolo da protagonista nello sviluppo di un farmaco.
Il costo di sviluppo di un nuovo farmaco è divenuto ormai proibitivo. In media, per immettere un farmaco sul mercato servono 2,5 miliardi di dollari e 10-15 anni di ricerca.
Questi numeri sono in larga parte influenzati dall'altissima percentuale di molecole scartate durante il processo di sviluppo. Per ogni molecola che si trasforma in un farmaco, ce ne sono milioni che vengono testate e poi eliminate perché inadatte.
Le sfide poste da fenomeni emergenti che minacciano la salute dell'uomo - ad esempio l'antibiotico-resistenza o le pandemie - non fanno altro che sottolineare la necessità di accorciare i tempi per lo sviluppo di nuovi trattamenti.
Per abbassare il tasso di fallimento è necessario individuare molecole tagliate su misura per l'obiettivo che ci si propone. Questo concetto prende il nome di Progettazione razionale dei farmaci.
In biologia, quando una proteina è nota per il fatto di recitare un ruolo fondamentale nella malattia, viene chiamata «target». Fra gli esempi di target farmacologici ci sono le proteine che causano infiammazione, che stimolano la crescita tumorale o le proteine utilizzate dai virus per infettare le cellule.
Nella ricerca farmacologica, l'obiettivo è creare molecole che interagiscano in maniera decisiva con questi target, riducendo (o migliorando) il loro effetto. Queste molecole vengono chiamate «ligandi».
In termini elementari, lo sviluppo dei farmaci comporta lo sviluppo di molecole che siano complementari con i target biomolecolari con i quali interagiscono e quindi si legano. Per usare una metafora, si può pensare a chiavi e serrature. Esistono miliardi di chiavi possibili, ma soltanto poche aprono serrature specifiche.
Questa immagine può servire per comprendere le tecniche alle quali si è ispirata AtomNet. Le tecniche orientate verso la «serratura» puntano alla composizione della proteina target per sviluppare le proprie predizioni. È un approccio affascinante perché, in linea di principio, lavora a target del tutto nuovi. Diversi software - Dock, AutoDock, Glide - sono stati introdotti sulla base di questo principio. Il principale limite di questa tecnologia è l'accuratezza. In genere, il metodo mostra un alto tasso di falsi positivi, affermando che una molecola è un buon candidato quando invece non lo è.
Altri team di ricerca si sono concentrati invece su tecniche orientate verso la «chiave», ossia verso algoritmi basati sui ligandi. Questa tecnologia prende in considerazione ligandi già esistenti e tenta di predire lo sviluppo di altri ligandi ancora più efficaci a partire da questa informazione. In questo caso, il limite della tecnologia è dato dalla necessità che esistano già dei ligandi per un determinato target. In molti casi, possono esserci davvero pochi ligandi a disposizione e il metodo difficilmente produrrà predizioni valide.
La soluzione ideale è quindi un sistema di sviluppo razionale dei farmaci «structure-based» che sia al contempo accurato. Un sistema del genere può predire le molecole candidate migliori per lo sviluppo di un nuovo farmaco, offrendo ai ricercatori un metodo virtuale meno costoso, più rapido e ugualmente efficace. I responsabili di AtomWise sono convinti che AtomNet rappresenti un passo importante in questa direzione.
AtomNet è il primo algoritmo per lo sviluppo dei farmaci a utilizzare una rete neurale convoluzionale. Questo tipo di rete ha guadagnato importanza solo negli ultimi anni e ha una caratteristica unica: eccelle nella comprensione di concetti complessi frutto della combinazione di microframmenti di informazioni. Questa caratteristica è la principale ragione per cui le reti convoluzionali hanno prodotto i migliori risultati al mondo riguardo alla classificazione delle immagini, al riconoscimento vocale e ad altri aspetti del genere.
Ad esempio, un modello convoluzionale può imparare a riconoscere i volti basandosi su un set di caratteristiche di base in un'immagine, come i margini. In seguito, il modello può imparare a identificare parti del volto come il naso, le orecchie e gli occhi combinando i margini. Alla fine, il modello può imparare a riconoscere i volti combinando le varie informazioni.
In maniera speculare, AtomNet apprende che proteine e ligandi sono costituiti da una varietà di strutture chimiche specifiche. Un risultato straordinario che suggerisce che AtomNet è in grado di assorbire alcuni principi fondamentali di chimica organica.
Analizzando diversi aspetti della rete neuronale, i ricercatori americani hanno scoperto qualcos'altro: AtomNet ha imparato a riconoscere categorie chimiche essenziali come il legame a idrogeno, l'aromaticità e il carbonio a legame semplice.
La cosa stupefacente è che la tecnologia ha appreso da sé i concetti attingendo a una vasta quantità di target e di informazioni.
Al di là dei risultati teorici, AtomNet è già stato messo all'opera alla ricerca di nuovi farmaci. Il sistema ha analizzato migliaia di molecole candidate alla cura del cancro, di malattie neurologiche degenerative come la sclerosi multipla, di malattie infettive causate da virus o batteri.
Le molecole selezionate da AtomNet sono diventate quelle candidate alla sperimentazione in vari programmi di ricerca, producendo risultati positivi su modello animale.
È un percorso lungo e appena agli inizi, ma dalle prospettive entusiasmanti per qualunque ricercatore al mondo.

01/02/2017 09:45:42 Andrea Piccoli

Notizie correlate

La salute è sempre più social





Organi con stampa 3D per terapie personalizzate

  • Al via sperimentazione per la creazione di organi modello
    (Continua)




Nuova tecnologia per rivoluzionare la diagnostica





Un’app per il Deficit di Glut1





Un avatar cura schizofrenia e depressione

  • Alter ego virtuale come cardine di terapie innovative
    (Continua)




Il futuro della diagnosi è tascabile





L’ecografia è sempre più smart

  • In sperimentazione dispositivo che trasforma lo smartphone in ecografo
    (Continua)




Anche i muscoli sono stampati in 3D

  • Team americano realizza i muscoli per i robot del futuro
    (Continua)




Un’app che valuta l’impatto della glicemia





Lo smartphone ci dirà se siamo fertili

  • Un team americano realizza un test per una diagnosi tecnologica
    (Continua)




AtomNet, l'intelligenza artificiale crea farmaci

  • Nuovi medicinali messi a punto da reti neurali convoluzionali
    (Continua)




E-Health, tra bufale e verità

  • Il primo decalogo che aiuta cittadini a difendersi dalle insidie della rete
    (Continua)




Lo smartphone ci dice come sta il cuore

  • Monitoraggio continuo delle informazioni sulla salute cardiaca
    (Continua)




L'ibernazione compie 50 anni

  • Migliaia di persone in attesa di accedere al servizio
    (Continua)




Diagnosticare l'Hiv con una chiavetta Usb





Sito web dell'anno, Italiasalute è candidato





Malattie del cuore, un'app per l'uso corretto dell'aspirina

  • La tecnologia può aiutare a capire chi beneficia maggiormente del farmaco
    (Continua)




Nasce l'era della cybertherapy

  • È italiana la prima struttura al mondo a dotarsi della tecnologia “Cave”
    (Continua)




Nuovo robot per interventi al cervello

  • Sonda robotica di nuova generazione per operazioni delicate
    (Continua)