In questo articolo Indice dei contenuti 1 sezione
Progettare nuovi medicinali senza mettere piede subito in laboratorio. È questa la scommessa di Potential Sciences, giovane startup britannica convinta che l’intelligenza artificiale possa dare una spinta decisiva a un processo lento e delicato come la scoperta di farmaci. L’idea è costruire enormi archivi di dati chimici partendo dai principi di base della fisica, simulando prima le interazioni tra atomi, poi quelle tra piccole molecole e infine tra amminoacidi e proteine complesse. Con questo materiale l’azienda punta ad addestrare modelli di IA e sistemi predittivi in grado di individuare composti molto specifici per singole malattie, evitando buona parte della sperimentazione lunga e costosa.
Il fondatore e amministratore delegato Hatem Helal lo spiega in modo piuttosto diretto. Le molecole che non funzioneranno mai in clinica devono fallire in fretta, e per arrivarci servono previsioni più affidabili su come si comporteranno una volta a contatto con la biologia umana. La società, presentata il 5 novembre, ha raccolto un finanziamento iniziale di decine di milioni di euro da SovAI, il fondo di venture capital dedicato all’IA del governo britannico, e da Twin Path Ventures, insieme ad altri investitori. Cifra esatta e valutazione restano riservate.
Se tutto andrà come previsto, l’approccio potrebbe aprire la strada a cure sviluppate molto più rapidamente per ogni tipo di patologia. Abbattendo i costi della sperimentazione, secondo Helal diventerebbe conveniente per le case farmaceutiche studiare anche le malattie rare, finora rimaste senza trattamento. Il fondatore immagina persino terapie personalizzate, combinazioni molecolari uniche pensate per la biologia di ogni singola persona. Il nodo vero però riguarda la precisione: prevedere quanto bene un candidato farmaco si legherà alle proteine coinvolte nella malattia richiederebbe un salto in avanti notevole. Peter Wolynes, professore di chimica alla Rice University, si dice certo che un miglioramento arriverà, ma avverte che oggi l’ingegneria delle proteine è ferma all’epoca dei Romani, non al Rinascimento.
Più dati per esplorare uno spazio sterminato
Gran parte dei laboratori che usano l’IA per cercare nuove molecole lavora su un’unica banca dati pubblica di strutture atomiche tridimensionali, il Protein Data Bank, arricchita per decenni con i risultati di nuovi esperimenti. Il problema, sostiene Helal, è che resta troppo piccola per addestrare modelli abbastanza avanzati. Esistono circa 10⁶⁰ modi di assemblare gli atomi in molecole potenzialmente somministrabili a un essere umano, e la ricerca di un farmaco diventa di fatto un problema di esplorazione: conta la velocità con cui si riesce a setacciare quello spazio per trovare candidati promettenti contro una determinata malattia.
Da qui la scelta di generare dati sintetici attraverso la simulazione delle interazioni tra composti diversi. Il mondo accademico guarda con interesse a questa strada. Alan Fersht, professore emerito di chimica all’Università di Cambridge ed esperto di ingegneria delle proteine, osserva che calcolare con precisione le interazioni tra tutte le molecole della cellula permetterebbe di prevedere dove si legheranno, rivoluzionando lo sviluppo dei farmaci. E si dichiara ottimista sul fatto che prima o poi accadrà.
Con l’ingresso di SovAI, la startup si affianca ad altre realtà del settore come Basecamp Research e Isomorphic Labs, oltre a CuspAI, che si occupa di nuovi materiali. Il fondo governativo dispone di circa 690 milioni di euro e può garantire l’accesso al supercomputer nazionale per l’IA del Regno Unito. Joséphine Kant, direttrice degli investimenti di SovAI ed entrata nel consiglio di amministrazione della società, sottolinea come l’approccio basato sulla fisica della chimica la distingua dai concorrenti, mentre le risorse di calcolo consentono di lavorare su una scala difficile da raggiungere per una piccola impresa.
Fonte: TecnoAndroid