Chiusura del ciclo dei dati nella scoperta di farmaci basata sull'IA

L'industria farmaceutica sta affrontando una crescente pressione per accelerare la scoperta di farmaci riducendo i costi e migliorando i tassi di successo. Con i metodi tradizionali che si dimostrano lenti e costosi, l'intelligenza artificiale (AI) sta emergendo come uno strumento chiave per trasformare il processo. Secondo i rapporti recenti, il costo dello sviluppo di nuovi farmaci è quasi raddoppiato ogni nove anni dagli anni '50, una tendenza nota come legge di Eroom. 5 miliardi, e l'intero processo di solito si estende da 10 a 15 anni, con tassi di fallimento superiori al 90%.

Paul Belcher, direttore della strategia di ricerca sulle proteine di Cytiva, osserva che l'onere finanziario primario nello sviluppo di farmaci risiede nella fase clinica. Come tale, gli sforzi per migliorare i tassi di successo e ridurre i tempi durante questa fase sono cruciali. L'IA è vista come una soluzione promettente, offrendo il potenziale per semplificare i processi e migliorare la qualità dei candidati farmaci prima ancora che entrino negli studi clinici. Belcher sottolinea che la capacità dell'IA di prevedere le interazioni tra molecole e bersagli di malattia potrebbe ridurre significativamente il rischio di fallimenti costosi più tardi nello sviluppo. Una delle prime e più promettenti applicazioni dell'IA nella scoperta di farmaci è l'identificazione di colpi.

Questo processo prevede lo screening di vaste librerie di entità molecolari contro specifici bersagli di malattia, come le proteine, per identificare le molecole che possono legarsi in modo efficace. Tradizionalmente, questo è stato fatto attraverso lo screening fisico, che è sia dispendioso di tempo che intensivo di risorse. Tuttavia, l'IA sta consentendo un cambiamento verso il design predittivo, consentendo ai ricercatori di generare farmaci candidati da zero e simulare le loro interazioni con bersagli di malattia prima di investire in una ricerca e sviluppo estesi.

Sfruttando l'intelligenza artificiale, le aziende farmaceutiche non sono più limitate dalle limitazioni dello screening fisico. Invece, possono esplorare una gamma più ampia di possibilità molecolari ed eliminare candidati inferiori all'inizio del processo, risparmiando così tempo e risorse. Questo progresso ha portato ad una maggiore domanda di sistemi di laboratorio ad alto rendimento in grado di convalidare e caratterizzare i molti composti generati dall'intelligenza artificiale che ora entrano in pipeline. Nonostante questi guadagni, le sfide rimangono. I modelli attuali di intelligenza artificiale lottano per prevedere con precisione le proprietà cinetiche o la sviluppabilità di nuovi composti. Di conseguenza, ogni candidato IA progettato deve ancora sottoporsi a una rigorosa convalida in laboratorio.

I tradizionali flussi di lavoro di screening, progettati per identificare i successi su larga scala, sono mal equipaggiati per gestire la complessità dei moderni candidati generati dall'IA. Questi flussi di lavoro spesso si basano su tecniche binarie o basate su soglie, producendo dati a bassa fedeltà che non riescono a catturare le caratteristiche sfumate dei candidati farmacologici avanzati. Per affrontare queste limitazioni, l'industria chiede dati più completi e di alta qualità. Molti modelli di IA esistenti sono addestrati su set di dati disponibili pubblicamente, che sono spesso incompleti o distorti.

Belcher sottolinea che questi set di dati spesso evidenziano solo risultati positivi, omettendo i numerosi esperimenti falliti che sono essenziali per l'addestramento di modelli robusti. Questo pregiudizio di pubblicazione limita l'accuratezza e l'affidabilità delle previsioni dell'IA, creando un collo di bottiglia nello sviluppo di farmaci efficaci.

Con i continui progressi nella tecnologia dell'intelligenza artificiale e una crescente enfasi sull'integrità dei dati, l'industria farmaceutica è pronta a compiere passi significativi nella sua ricerca di uno sviluppo di farmaci più efficiente ed efficace.