Tumori. IA come uno chef, crea ricette di farmaci per correggere le cellule malate   

I ricercatori della Harvard Medical School hanno progettato un modello di intelligenza artificiale in grado di identificare trattamenti che invertono gli stati patologici nelle cellule. Questo nuovo approccio, illustrato su Nature Biomedical Engineering, si concentra su molteplici fattori scatenanti della malattia e identifica i geni con maggiori probabilità di riportare le cellule malate a una funzione sana. “Concentrandosi sui bersagli con maggiori probabilità di invertire la malattia, il nuovo approccio potrebbe accelerare la scoperta di farmaci e la progettazione e lo sviluppo di terapie per condizioni che a lungo sono sfuggite ai metodi tradizionali”, osservano i ricercatori.

“Tradizionalmente la scoperta di farmaci è come assaggiare centinaia di piatti pronti per trovarne uno dal sapore perfetto”, ha affermato Marinka Zitnik, primo autore dello studio e professoressa associata di informatica biomedica presso il Blavatnik Institute dell’HMS. “PDGrapher funziona come un maestro chef che capisce esattamente cosa si vuole ottenere dal piatto e come combinare gli ingredienti per ottenere il sapore desiderato”. In pratica, “invece di testare ogni possibile ricetta, PDGrapher si chiede: ‘Quale mix di ingredienti trasformerà questo piatto insipido o eccessivamente salato in un pasto perfettamente equilibrato?”, ha spiegato.

L’approccio tradizionale alla scoperta di farmaci si concentra solitamente sull’attivazione o la disattivazione di singole proteine, una tecnica che ha avuto molti successi soprattutto nel limitare la crescita delle cellule tumorali. Tuttavia, osservano i ricercatori, questa tecnica si rivela insufficiente quando le malattie sono alimentate dall’interazione di più meccanismi chimici e l’intervento di vari geni. Su questa base i ricercatori hanno addestrato una tipologia di IA, detta rete neurale grafica e specializzata nel ricercare connessioni complesse all’interno di una rete, con i dati relativi a 11 tipologie di cancro.

Poi PDGrapher è stato messo alla prova su tumori già noti: lo strumento ha previsto con precisione i target farmacologici già noti per la loro efficacia, ma deliberatamente esclusi durante l’addestramento per garantire che il modello non si limitasse a ricordare le risposte corrette.

Il modello ha mostrato un’accuratezza ed efficienza superiori rispetto ad altri strumenti simili. In set di dati inediti, ha classificato i target terapeutici corretti fino al 35% in più rispetto ad altri modelli e ha fornito risultati fino a 25 volte più rapidi rispetto ad approcci di intelligenza artificiale comparabili.