Impronte molecolari create dall’IA: così si cercano farmaci già esistenti

Ascolta questo articolo Riproduci la versione audio
Ascolta
Caricamento in corso...
SEZIONE 2 DI 3

Il ruolo dei modelli di intelligenza artificiale

I sistemi più recenti possono combinare impronte molecolari, dati di attività biologica, informazioni sulle proteine bersaglio e risultati sperimentali. Alcuni modelli cercano relazioni tra struttura e funzione; altri stimano la probabilità che un composto interagisca con una determinata proteina.

Un vantaggio importante è la capacità di esplorare spazi chimici molto estesi. Il numero di molecole teoricamente possibili è enorme, mentre gli esperimenti disponibili riguardano soltanto una piccola parte di esse. Gli algoritmi possono quindi aiutare a scegliere quali candidati analizzare per primi.

La qualità del risultato dipende però dai dati utilizzati per l’addestramento. Se le banche dati contengono misure incomplete, errori o soprattutto risultati positivi, il modello può produrre previsioni distorte. Un problema noto è anche la difficoltà nel riconoscere i casi in cui sta lavorando fuori dall’ambito già osservato.

Una ricerca più rapida, non automatica

L’uso dell’IA può ridurre il numero di esperimenti inutili e accelerare la selezione dei candidati. Non sostituisce tuttavia la chimica sperimentale né la valutazione medica. La sintesi del composto, la sua stabilità, la formulazione e la sicurezza restano questioni concrete.

Inoltre, l’effetto di un farmaco dipende dall’intero organismo. Un bersaglio molecolare può essere coinvolto in funzioni diverse e un’azione apparentemente utile in una cellula può avere conseguenze indesiderate in altri tessuti. Anche un composto già autorizzato per una malattia può richiedere nuove prove se viene proposto per una condizione differente, una dose diversa o una popolazione più fragile.

Che cosa cambia per i pazienti

Se il metodo sarà validato in studi indipendenti, potrebbe contribuire a individuare più velocemente candidati per malattie rare, infezioni emergenti o condizioni con poche opzioni terapeutiche. Il vantaggio maggiore sarebbe nella fase di esplorazione, quando occorre decidere quali ipotesi meritino risorse e test.

Non significa però che i pazienti debbano modificare una terapia sulla base di una somiglianza molecolare o di un risultato generato da un algoritmo. L’eventuale nuova indicazione deve essere dimostrata con studi clinici progettati per quella specifica malattia.

Il tema si inserisce nella più ampia evoluzione della relazione tra intelligenza artificiale e ricerca chimica. Anche l’idea di studiare nuove modalità per utilizzare farmaci esistenti mostra quanto sia importante distinguere una possibilità chimica da un trattamento già dimostrato.

Segui Cronache della Campania Canali ufficiali

Ultime Notizie

Leggi tutte le notizie

Primo piano