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 √® nota per il fatto di recitare un ruolo fondamentale nella malattia, viene chiamata ¬ętarget¬Ľ. 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 √® creare molecole che interagiscano in maniera decisiva con questi target, riducendo (o migliorando) il loro effetto. Queste molecole vengono chiamate ¬ęligandi¬Ľ.
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 pu√≤ servire per comprendere le tecniche alle quali si √® ispirata AtomNet. Le tecniche orientate verso la ¬ęserratura¬Ľ puntano alla composizione della proteina target per sviluppare le proprie predizioni. √ą un approccio affascinante perch√©, 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 √® l'accuratezza. In genere, il metodo mostra un alto tasso di falsi positivi, affermando che una molecola √® un buon candidato quando invece non lo √®.
Altri team di ricerca si sono concentrati invece su tecniche orientate verso la ¬ęchiave¬Ľ, ossia verso algoritmi basati sui ligandi. Questa tecnologia prende in considerazione ligandi gi√† esistenti e tenta di predire lo sviluppo di altri ligandi ancora pi√Ļ efficaci a partire da questa informazione. In questo caso, il limite della tecnologia √® dato dalla necessit√† che esistano gi√† dei ligandi per un determinato target. In molti casi, possono esserci davvero pochi ligandi a disposizione e il metodo difficilmente produrr√† predizioni valide.
La soluzione ideale √® quindi un sistema di sviluppo razionale dei farmaci ¬ęstructure-based¬Ľ che sia al contempo accurato. Un sistema del genere pu√≤ predire le molecole candidate migliori per lo sviluppo di un nuovo farmaco, offrendo ai ricercatori un metodo virtuale meno costoso, pi√Ļ 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.
√ą 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