Digital Health

Sviluppare nuovi farmaci con l’AI: tra risultati deludenti e prospettive allettanti

Perché ne stiamo parlando
L’impennata nelle performance dell’Intelligenza Artificiale ha fatto mobilitare risorse, economiche e non solo, per avviare pipeline farmacologiche. Le potenzialità rivoluzionarie dei nuovi modelli predittivi sono notevoli, ma finora i risultati dei trial clinici sulle molecole identificate non hanno avuto buon esito.

Sviluppare nuovi farmaci con l’AI: tra risultati deludenti e prospettive allettanti

L’impiego crescente dell’Intelligenza Artificiale nella ricerca farmaceutica sta trasformando il processo di scoperta di nuove molecole che possono fare da principio attivo per la messa a punto di nuovi farmaci. Tuttavia, nonostante i progressi significativi e le premesse rivoluzionarie, al momento il bilancio è eloquente: nessuna molecola identificata interamente tramite AI ha completato con successo lo sviluppo clinico. Al di là del dato in sé, i risultati finora nulli solleva interrogativi sulle prospettive e sui tempi necessari per raggiungere questo traguardo ambizioso.

Sebbene un futuro in cui una molecola interamente creata dall’AI riesca a superare tutte le fasi di sviluppo clinico sia più che plausibile, molti osservatori dell’industria e investitori in ambito farmacologico ritengono che sia ancora prematuro focalizzarsi su questa strada, vista la complessità e le sfide ancora da affrontare. Se la tecnologia potrà permettere un’accelerazione di alcune fasi sperimentali, i test su cellule e tessuti (prima ancora che sugli animali e sulle persone) non potranno certo essere bypassati nel percorso di validazione.

Le sfide per sviluppare farmaci: costi elevati e iter lunghissimi

Nella corsa per scoprire e sviluppare nuovi farmaci, i numeri raccontano un impegno economico e di risorse più che consistente. Secondo gli osservatori dell’industria farmaceutica, identificare una molecola con promesse terapeutiche e farla avanzare attraverso lo sviluppo preclinico e clinico può richiedere più di un decennio, a costi che mediamente superano i 2 miliardi di dollari. Tra l’altro, negli ultimi anni le spese da sostenere sono ulteriormente lievitate per via dei criteri di sicurezza sempre più stringenti e per le difficoltà nel reclutare i partecipanti alle varie fasi di studio. Inoltre, vista la presenza in commercio di un’enorme quantità di soluzioni terapeutiche, svilupparne di ulteriori è ovviamente sempre più complesso. Tutti questi motivi fanno sì che, come ben noto, oggi i potenziali nuovi farmaci falliscano nei trial clinici più del 90% delle volte, vanificando gli sforzi economici e di ricerca. Con le aziende che di fatto sono costrette a riorganizzare il modello di business o a ridefinire i propri obiettivi.

L’Intelligenza Artificiale, in particolare, è stata lungamente considerata una promettente soluzione ai vari problemi della scoperta e dello sviluppo di nuovi farmaci. Diverse aziende hanno rivendicato di essere le prime – o le più veloci – con le loro piattaforme di AI, ma al di là degli annunci mediatici nessuno ha ancora portato una molecola trovata grazie all’AI dall’identificazione fino allo sviluppo clinico completo. Nonostante l’ampia rappresentazione dell’AI come un elemento rivoluzionario in tutti gli aspetti dell’assistenza sanitaria alla ricerca di farmaci, l’attesa potrebbe essere più lunga e richiedere ancora alcune fasi di sviluppo tecnologico.

Gli esiti negativi dei test con l’AI non indicano un fallimento

Gli algoritmi predittivi, insieme ai modelli di deep learning, sono alla base dello sviluppo della cosiddetta farmacologia intelligente, costituendo un alleato fondamentale per lo sviluppo di nuove soluzioni terapeutiche. Oltre a promuovere una maggiore qualità e a ridurre i tempi di progettazione, garantiscono una riduzione degli sprechi e la promozione della medicina personalizzata. Prevedendo in anticipo il comportamento dei potenziali farmaci nell’organismo, diventa possibile scartare a priori i composti che non funzionano. Di fatto questo fa concentrare le risorse sulle molecole più promettenti, evitando lunghe e onerose procedure di laboratorio. Un altro vantaggio dell’analisi di enormi quantità di dati attraverso algoritmi intelligenti riguarda la possibilità di individuare più rapidamente i pazienti per cui la molecola ha più possibilità di avere successo. Per questi motivi, molte aziende farmacologiche hanno deciso di incentrare la maggior parte delle fasi di ricerca e sviluppo di farmaci sull’utilizzo dell’Intelligenza Artificiale.

Un esempio in questo senso è rappresentato da Exscientia, azienda pharmatech britannica che già due anni fa ha presentato un farmaco immuno-oncologico in fase di sviluppo clinico precoce nei tumori renali e polmonari chiamato EZXS21546. Nonostante le premesse iniziali molto positive, i trial clinici non hanno dato gli esiti sperati e nell’ottobre dello scorso anno l’azienda ha annunciato la conclusione del programma: è stato dichiarato che sarebbe stato difficile per il farmaco raggiungere un livello sufficiente di sicurezza e di efficacia. L’esito negativo della fase di sperimentazione è stato condizionato anche dall’enorme precisione dei dati raccolti, grazie proprio ai modelli di Intelligenza Artificiale: per questo Exscientia non descrive l’esito del programma sul cancro come un fallimento, in quanto il trial ha comunque permesso di ottenere informazioni fondamentali per la ricerca futura.

Ottimismo sì, ma con cautela

Oltre a Exscientia, sono centinaia le aziende e le startup del comparto healthcare che hanno deciso di basare il modello di business sull’utilizzo dell’Intelligenza Artificiale, esplorando le potenzialità degli algoritmi predittivi nell’ambito dell’industria farmaceutica. Per esempio Generate Biomedicines, con sede a Cambridge (Massachusetts), utilizza un’AI generativa per esplorare le potenzialità terapeutiche di varie molecole. Absci (Vancouver, Stati Uniti), una delle aziende più all’avanguardia per l’utilizzo di sistemi predittivi, si impegna nel riadattare anticorpi esistenti utilizzando modelli addestrati sui dati di laboratorio per migliorarne l’efficacia nel legarsi ai bersagli. Allo stesso modo, Apriori Bio e Verseon sfruttano l’apprendimento automatico per progettare e testare milioni di varianti di molecole, con l’obiettivo di sviluppare farmaci più efficaci per una vasta gamma di patologie, tra cui malattie cardiovascolari, infezioni e cancro.

Sebbene l’AI stia aiutando a identificare più rapidamente i bersagli dei farmaci e a scoprire nuove molecole per colpirli, nell’ultimo anno varie molecole scoperte con questa tecnica hanno fallito nei trial clinici per malattie come dermatite atopica, schizofrenia e alcune tipologie di cancro. Come conseguenza, le aziende hanno rimescolato le pipeline e gli investitori hanno deciso di rivedere la propria posizione, riducendo i capitali messi a disposizione e attendendo i primi risultati positivi.

Del resto, però, i maggiori esperti del settore avevano sempre definito irrealistico pensare che l’AI potesse aumentare rapidamente e drasticamente i tassi di successo nella scoperta di farmaci. Anche perché le molecole più semplici sono di fatto già state identificate con altre tecniche, e per quelle più complesse la complessità sta anche nella fase di sperimentazione pre-clinica e clinica, non solo nell’identificazione in astratto tramite modelli computazionali.

Keypoints

  • L’AI ha la potenzialità di identificare nuove molecole utili per la creazione di farmaci, ma ancora non ci si è riusciti
  • La messa a punto di un nuovo farmaco è una sfida sempre più ardua, tra costi elevati, iter lunghissimi e alti tassi di fallimento
  • Gli algoritmi predittivi e il deep learning stanno promuovendo una farmacologia intelligente, ancora agli albori
  • L’AI accelera varie fasi di laboratorio e individua più velocemente i pazienti più adatti per ricevere i farmaci
  • Exscientia ha sperimentato un farmaco immuno-oncologico sviluppato con l’AI, ma senza successo clinico e pre-clinico
  • Nonostante gli insuccessi recenti, l’AI mantiene enormi potenzialità per la farmacologia, anche se non necessariamente nell’immediato

Ti è piaciuto questo articolo?

Share

Registrati per commentare l’articolo

Pills

Raccolte

Articoli correlati