L’AIFA – Agenzia Italiana del Farmaco ha introdotto e normato, già nel 2021, la possibilità di utilizzare sistemi di Intelligenza Artificiale e Machine Learning per la sperimentazione clinica dei farmaci. Già da molti anni, infatti, l’Intelligenza Artificiale è diventata centrale nel Pharma, come dimostrano le iniziative di diverse aziende del settore. Il processo conosciuto come “drug discovery & development” utilizza sempre più i Big Data e l’Intelligenza Artificiale in tutte le fasi del processo, dall’identificazione dell’obiettivo biologico fino alla sperimentazione clinica e al riuso delle molecole. Non è casuale, quindi, che l’adozione di nuove tecnologie aumenti con ritmi importanti: Grand View Research prevede che il tasso di crescita composito anno su anno (CAGR) degli investimenti in Intelligenza Artificiale, sarà del 29.6% dal 2023 al 2030, con un’incidenza percentuale maggiore delle ricerche dedicate alle patologie neurodegenerative, alle malattie cardiovascolari e ai disturbi del metabolismo.
Intelligenza Artificiale nel Pharma: 5 applicazioni concrete
La ricerca farmaceutica è caratterizzata da processi articolati e complessi: sono necessari diversi anni prima che la scoperta di una nuova molecola diventi un farmaco disponibile in commercio; gli investimenti sono ingenti e vi è una continua necessità di nuovi brevetti, allo scopo di rimpiazzare quelli scaduti. In tale scenario, l’Intelligenza Artificiale e i Big Data offrono un contributo fondamentale. L’analisi di enormi volumi di dati e la capacità di metterli in relazione è uno dei pillar della ricerca farmaceutica ed è proprio qui che sta il valore aggiunto della tecnologia.
Grandi case farmaceutiche come, ad esempio, Sanofi, Pfeizer e Novartis, hanno individuato i 5 ambiti principali per l’uso dei Big Data e dell’Intelligenza Artificiale nel Pharma:
- Drug discovery. L’Intelligenza Artificiale sostituisce le sperimentazioni di laboratorio. Enormi banche dati di molecole vengono analizzate per individuare quali hanno la maggiore probabilità di interagire con un bersaglio biologico specifico (una proteina, un enzima, ecc.). Questo screening virtuale riduce la necessità di testare manualmente i composti. Successivamente, le molecole “lead” possono essere modificate per aumentarne l’efficacia, attraverso algoritmi che analizzano la struttura e l’attività dei composti.
- Drug design. L’IA permette di costruire modelli predittivi delle proprietà chimiche e biologiche delle molecole, attraverso cui stimare le attività di legame molecolare, la solubilità, la permeabilità, la tossicità e altre proprietà cruciali per il successo di un farmaco. Attraverso algoritmi di ricerca e ottimizzazione molecolare è, inoltre, possibile fortificare determinate caratteristiche quali, ad esempio, l'attività farmacologica o la biodisponibilità (quanto e con quale velocità un farmaco entra nel flusso sanguigno e diventa disponibile). L'Intelligenza Artificiale può anche essere impiegata per comprendere in che modo un farmaco potenziale interagirà con il corpo umano e per ottimizzarne, di conseguenza, l'efficacia e la sicurezza.
- Sperimentazione clinica. La selezione dei partecipanti ad uno studio clinico può essere supportata dall’IA attraverso l’analisi dei dati clinici e molecolari. La definizione dei protocolli di studio è agevolata mettendo in relazione la sperimentazione in corso con altre effettuate in precedenza, da cui trarre i parametri fondamentali: dimensioni del campione; modelli per la valutazione dei risultati; criteri per l’identificazione di cluster con maggiori benefici potenziali. L’IA identifica le correlazioni nascoste tra le variabili cliniche, è in grado di prevedere l'efficacia del trattamento e identificare potenziali effetti collaterali o reazioni avverse. Ciò può contribuire ad una migliore comprensione del profilo di sicurezza ed efficacia del farmaco.
- Farmaci personalizzati. Attraverso la scansione delle sequenze genetiche e della storia clinica dei pazienti, possono essere identificate le correlazioni tra le varianti genetiche e la risposta ai farmaci. Questo permette di individuare biomarcatori predittivi che possono essere utilizzati per prevedere l'efficacia e la sicurezza dei farmaci in pazienti specifici. Inoltre, attraverso modelli di apprendimento automatico, l'IA consente di prevedere la risposta di un paziente a un determinato farmaco o trattamento in base alle sue caratteristiche genetiche, molecolari e cliniche e, di conseguenza, identificare i trattamenti più efficaci. Infine, l'IA può essere impiegata per identificare combinazioni ottimali di farmaci per il trattamento di specifiche patologie.
- Nuove combinazioni terapeutiche e riutilizzo. Gli algoritmi di Intelligenza Artificiale possono essere impiegati per esaminare grandi insiemi di dati chimici al fine di individuare strutture molecolari di base ("scaffolds"), che mostrano proprietà farmacologiche promettenti. Gli scaffolds rappresentano le strutture su cui costruire nuovi farmaci. Un esempio di questo approccio è quello adottato da Boehringer e Insilico Medicine. L'obiettivo è quello di studiare e confrontare i farmaci esistenti al fine di modificarli in modo tale da migliorarne l'efficacia e ridurre al minimo gli effetti collaterali. Questa strategia non solo migliora i farmaci già in uso, ma consente di ridurre i costi di sviluppo, in quanto parte del lavoro è già stato compiuto nel processo di creazione del farmaco originale.
Forbes evidenzia come il percorso per portare un singolo nuovo farmaco sul mercato di solito si estende su un decennio, e costa in media 2,6 miliardi di dollari. La rivoluzione dell'Intelligenza Artificiale sta cambiando sia la ricerca che la produzione farmaceutica, e apre la strada a un nuovo modo di sviluppare i farmaci, destinato a essere migliore, più veloce e più economico. Tali traguardi, tuttavia, possono essere raggiunti solo con un approccio pragmatico, che inserisce le nuove tecnologie a fianco dei processi tradizionali, potenziandone i risultati.
