Come l’intelligenza artificiale aiuta la scienza nella scoperta di nuovi farmaci

L’interazione farmaco-bersaglio è un’area di ricerca importante nella scoperta di farmaci, che si riferisce al riconoscimento delle interazioni tra i composti chimici e gli obiettivi proteici. I chimici stimano che potrebbero essere prodotti 1.060 composti con proprietà simili a farmaci, ovvero più del numero totale di atomi nel Sistema Solare, come riportato da un articolo sulla rivista Nature nel 2017.

Lo sviluppo di farmaci, in media, richiede circa 14 anni e costa fino a 1,5 miliardi di dollari. Durante il viaggio verso la scoperta di farmaci in questa vasta “galassia”, è evidente che i tradizionali esperimenti biologici sono normalmente costosi e richiedono tempo.

Il prof. Hou Tingjun è un esperto in progettazione di farmaci assistita da computer (CADD) presso il College of Pharmaceutical Sciences dell’Università di Zhejiang. Negli ultimi decenni, si è impegnato nello sviluppo di farmaci utilizzando la tecnologia informatica. “La sfida più grande risiede nelle interazioni tra bersagli sconosciuti e molecole di farmaci. Come possiamo scoprirli in modo più efficiente? Ciò comporta una nuova svolta nel metodo“.

Recentemente, l’intelligenza artificiale ha aperto nuove possibilità. “Con l’intelligenza artificiale, potremmo essere in grado di raggiungere la fase più a monte della scoperta di farmaci, migliorando così l’efficienza e il tasso di successo dello sviluppo dei farmaci“, ha affermato Hou.

Oltre all’intelligenza artificiale, sono fioriti anche i dati nella genomica, proteomica e farmacologia. In ogni campo, c’è stato un enorme oceano di informazioni biomediche. Le informazioni su farmaci, proteine, malattie, effetti collaterali, processi biologici, funzioni molecolari, componenti cellulari, enzimi biologici e canali ionici sono state raccolte in banche dati specializzate. Tuttavia, il loro valore per la scoperta di farmaci rimane oscuro.

Il prof. He Shibo è uno studioso specializzato in big data e scienza delle reti presso il College of Control Science and Engineering della Zhejiang University. “Questo dominio è particolarmente adatto per la ricerca interdisciplinare. Questo considerevole corpo di informazioni biologiche può essere astratto in un sistema di rete multistrato ed eterogeneo“, ha affermato He.

Lo studio

I ricercatori hanno proposto un quadro unificato chiamato KGE_NFM (macchina per l’incorporamento di grafi di conoscenza e fattorizzazione neurale) incorporando KGE e tecniche di sistema di raccomandazione per la previsione delle interazioni farmaco-bersaglio (DTI) applicabili ai vari scenari di scoperta di farmaci, specialmente quando si incontrano nuovi target proteici.

I ricercatori hanno valutato KGE_NFM in tre scenari del mondo reale: l’avvio a caldo, l’avvio a freddo per i farmaci e l’avvio a freddo per le proteine. Nei primi due scenari, gli algoritmi di intelligenza artificiale erano alla pari di quelli tradizionali, e talvolta anche leggermente inferiori a questi ultimi. Nel terzo scenario, KGE_NFM ha distanziato i suoi rivali del 30%. Ciò dimostra la notevole capacità e superiorità dell’intelligenza artificiale nel prevedere i bersagli proteici sconosciuti. Scoprire “le interazioni farmaco-bersaglio sconosciute” dai “bersagli proteici sconosciuti” è un’impresa innegabilmente importante nel futuro della scoperta di farmaci, ha osservato Hou.

Il team sta attualmente lavorando con un laboratorio di Tencent per condurre ricerche sullo screening virtuale dei farmaci per l’epatite B e sulla sinergia tra farmaci. “L’uso di KGE può non solo espandere la dimensione dell’informazione, ma anche promuovere l’interpretabilità e la credibilità dei sistemi algoritmici“.