L'AI per la Scoperta di Farmaci: Una Nuova Era con Isomorphic Labs

Per oltre un decennio, l'intelligenza artificiale è stata presentata come un catalizzatore per accelerare drasticamente la scoperta di nuovi farmaci. Nonostante investimenti miliardari, il numero di medicinali progettati con l'AI che hanno raggiunto i pazienti è ancora limitato. Questo è in parte dovuto ai tempi intrinsecamente lunghi dei test clinici e alla complessità intrinseca dello sviluppo farmacologico. In questo scenario, Isomorphic Labs, una spin-off di Google DeepMind, sta emergendo come un attore chiave, capitalizzando sul lavoro premiato con il Nobel di DeepMind sulla predizione della struttura delle proteine.

L'azienda ha già siglato importanti partnership per la scoperta di farmaci con giganti del settore come Novartis ed Eli Lilly, e ha recentemente raccolto 2,1 miliardi di dollari in finanziamenti. A febbraio, ha pubblicato un report tecnico che descrive il suo nuovo Isomorphic Drug Design Engine (IsoDDE), un sistema progettato per identificare le "tasche" sulle proteine dove i farmaci possono legarsi e, più in generale, per prevedere come le proteine e le molecole di farmaci interagiscono. Questo approccio promette di superare alcune delle limitazioni che hanno finora frenato l'adozione su larga scala dell'AI nel settore.

Oltre AlphaFold: La Precisione di IsoDDE nella Modellazione Molecolare

Il lavoro di DeepMind con AlphaFold2 e AlphaFold3 ha rappresentato un salto qualitativo enorme per la biologia computazionale. AlphaFold2, in particolare, è stato riconosciuto con il Premio Nobel per aver sostanzialmente risolto il problema del ripiegamento proteico. Tuttavia, come sottolineato da Adrian Stecuła, group leader nell'organizzazione di machine learning di Isomorphic Labs, le proteine non esistono in isolamento; interagiscono con una vasta gamma di altre biomolecole cellulari, inclusi acidi nucleici, ligandi a piccole molecole, ioni e altre proteine. AlphaFold3 ha esteso questa capacità, permettendo di modellare tutte queste interazioni all'interno di un unico framework.

Nonostante questi progressi, le valutazioni successive al rilascio di AlphaFold3 hanno evidenziato una limitazione cruciale per la scoperta di farmaci: la performance del modello diminuisce quando si tratta di tasche proteiche nuove o significativamente diverse da quelle presenti nel set di training. Per la scoperta di farmaci, è fondamentale esplorare meccanismi d'azione innovativi, che spesso implicano il targeting di tasche mai osservate prima. IsoDDE affronta questa sfida, non solo prevedendo dove un ligando si lega a una proteina, ma anche come si lega, con quale affinità e una miriade di altre proprietà cruciali per lo sviluppo di un farmaco efficace. Il sistema unificato di IsoDDE supporta la predizione della struttura, l'identificazione delle tasche e la predizione dell'affinità di legame.

L'Identificazione di Tasche Criptiche e le Implicazioni per l'Framework AI

Un esempio chiave della capacità di IsoDDE è l'identificazione di una "tasca criptica" sulla proteina cereblon, un componente fondamentale nel pathway di degradazione delle proteine. Le tasche criptiche sono cavità sulla superficie proteica che non sono immediatamente evidenti nello stato non legato della proteina, ma si aprono solo in presenza del ligando giusto. In un recente studio pubblicato su Nature, è stata descritta una tasca criptica completamente nuova su cereblon. IsoDDE è stato in grado di prevedere perfettamente la posizione di questa tasca utilizzando solo la sequenza proteica come input, e di replicare con precisione la struttura cristallina del legame dei ligandi, sia ortosterici che allosterici.

Questa capacità di identificare e modellare interazioni in siti di legame non convenzionali è cruciale. Molte malattie sono associate a proteine che, pur essendo bersagli noti, non presentano tasche facilmente "aggredibili" dai farmaci tradizionali. IsoDDE amplia il toolkit terapeutico, non limitandosi alle piccole molecole, ma estendendosi anche ad anticorpi, "colle molecolari" e peptidi. Per le aziende che operano in questo settore, l'implementazione di sistemi computazionali così sofisticati comporta requisiti infrastrutturali significativi. La gestione di modelli complessi e l'elaborazione di enormi dataset biologici richiedono capacità di calcolo elevate, spesso basate su GPU con grandi quantità di VRAM e una robusta infrastruttura di storage e networking. Per chi valuta deployment on-premise, è essenziale considerare il TCO e la sovranità dei dati, aspetti critici per la compliance nel settore farmaceutico. AI-RADAR offre framework analitici su /llm-onpremise per valutare questi trade-off.

Il Futuro Automatizzato della Scoperta di Farmaci

Nonostante l'entusiasmo che circonda l'AI nella scoperta di farmaci, è fondamentale evitare l'equivoco che la sola capacità di modellare accuratamente la struttura proteica equivalga a risolvere l'intero problema. Come sottolineato da Stecuła, è necessario un sistema unificato come IsoDDE, con una pletora di endpoint diversi, per modellare efficacemente questi sistemi complessi. Isomorphic Labs si impegna a migliorare continuamente le performance sugli endpoint già divulgati e a svilupparne di nuovi.

La visione a lungo termine è quella di un processo di scoperta di farmaci sempre più automatizzato, dove i sistemi AI generano ipotesi, le testano e analizzano i risultati. Max Jaderberg, presidente di Isomorphic Labs, ha ben inquadrato questo futuro parlando di "agentic workflows" nella scoperta di farmaci. Questa prospettiva di automazione avanzata, sebbene ancora in evoluzione, suggerisce un cambiamento paradigmatico nel modo in cui le nuove terapie verranno identificate e sviluppate, con implicazioni profonde per le strategie di investimento in infrastrutture AI.