Molte delle più importanti scoperte nella storia della medicina sono derivate da eventi fortuiti e casuali. Spesso ricercando tutt’altra cosa i ricercatori si sono imbattuti in rivoluzionarie scoperte. I raggi X scoperti da Roentgen, la penicillina da Fleming, l’insulina da Banting, solo per citarne alcune. Nate da intuizioni improvvise, errori di percorso o coincidenze fortunate. L’avvento dell’intelligenza artificiale (IA) ha oggi la capacità di potenziare proprio questi momenti di “serendipity” e accelerare e migliorare il processo di scoperta di nuove opzioni terapeutiche. È in grado, infatti, di analizzare enormi volumi di dati, rilevare connessioni nascoste e suggerire ipotesi che la mente umana, da sola, faticherebbe a generare.
Vediamo più in dettaglio in che modo e in quali ambiti della medicina l’IA sta portando significativi miglioramenti, aprendo scenari impensabili fino a pochi anni fa.
Scoperta di nuovi farmaci attraverso processi più rapidi e precisi
La scoperta dei farmaci è tradizionalmente un processo lungo e costoso: l’approvazione di un nuovo medicinale può richiedere fino a 15 anni e miliardi di dollari. Tuttavia, negli ultimi anni, grazie all’adozione dell’IA, questo scenario sta cambiando. L’IA, infatti, attraverso algoritmi di machine learning (ML) e deep learning (DL), è in grado di analizzare enormi database di dati biologici, proponendo modelli di interazione farmaco-bersaglio con un’accuratezza senza precedenti e accelerando il processo di analisi dati. Ciò consente di scoprire nuovi bersagli terapeutici e di ottimizzare la formulazione dei farmaci in tempi significativamente più brevi rispetto ai metodi tradizionali. Ma il suo contributo non si limita alla sola fase di scoperta. Una volta identificate le molecole promettenti, è necessario valutarne l’efficacia e la sicurezza, ed è proprio qui che l’IA dimostra il suo valore. Le tecniche di ML permettono infatti di analizzare migliaia di composti chimici in pochi secondi, riducendo il numero di test richiesti e aumentando le probabilità di individuare molecole efficaci da portare in fase clinica.
Inoltre, l’IA è in grado di prevedere potenziali effetti collaterali e livelli di tossicità fin dalle fasi iniziali dello sviluppo, contribuendo a ridurre i rischi di fallimento dei farmaci nelle fasi più avanzate dei trial clinici.
Vaccini digitali e nuovi orizzonti terapeutici
Dalla scoperta del vaccino contro il vaiolo da parte di Jenner, nel 1796, lo sviluppo vaccinale ha fatto passi da gigante, e negli ultimi anni, con l’introduzione dell’IA stiamo assistendo ad una vera rivoluzione. Tra i punti di svolta, la Reverse vaccinology ha rappresentato un cambio di paradigma: l’identificazione degli antigeni è stata condotta grazie all’analisi bioinformatica delle sequenze genomiche dei patogeni, non rendendo più necessaria la loro coltura in laboratorio nelle fasi iniziali di ricerca. Questo approccio ha, da un lato accelerato lo sviluppo, e dall’altro ha permesso la realizzazione di vaccini complessi, come quello contro il meningococco B.
Durante la pandemia di COVID-19, il ruolo dell’IA ha subito un’accelerazione senza precedenti con la nascita dei vaccini a mRNA, nei quali l’antigene è rappresentato da una sequenza nucleotidica. Questa tecnologia ha avuto un ruolo cruciale in questo processo: ha reso possibile la selezione rapida delle sequenze geniche più promettenti, e suggerito strategie per ottimizzare la stabilità dell’mRNA e rendere il vaccino immunogenico. Ciò che un tempo richiedeva anni di ricerca e sviluppo oggi può avvenire nell’arco di pochi mesi.
Ma cosa possiamo aspettarci nel prossimo decennio? L’integrazione sempre più stretta tra IA, machine learning e reti neurali consentirà di progettare completamente in silico nuovi antigeni, eliminando la necessità di esperimenti preliminari in laboratorio. Le sequenze genomiche della maggior parte dei microrganismi saranno disponibili nei database e l’IA potrà ottimizzare la ricerca degli antigeni tenendo conto delle variabili più significative, quali immunogenicità, esposizione in superficie e variabilità genica. I test di tossicità, sicurezza e immunogenicità saranno condotti su organoidi-on-chip, modelli bioingegnerizzati in grado di simulare tessuti umani, generare grandi quantità di dati e restituire previsioni affidabili su dosaggi, formulazioni, tempistiche e persino efficacia clinica. In questo scenario, vaccini che oggi sembrano impossibili da realizzare potrebbero diventare realtà. Potremmo finalmente disporre di strumenti efficaci contro malattie croniche, infezioni resistenti, tumori e perfino malattie neurodegenerative. Vaccini migliori contro la malaria, strategie personalizzate per l’HIV, nuove formulazioni per patologie ancora prive di risposte: la combinazione tra IA, biologia computazionale e innovazione digitale ci porterà molto oltre ciò che oggi immaginiamo possibile. Il futuro dei vaccini non sarà solo più veloce. Sarà più preciso, più predittivo e potenzialmente universale.
I trattamenti su misura grazie all’IA
Una delle applicazioni più promettenti dell’IA nella sanità è la medicina personalizzata. Utilizzando i dati genetici, clinici e ambientali dei pazienti, l’IA è in grado di sviluppare trattamenti su misura per ciascun individuo, ottimizzando l’efficacia terapeutica e riducendo al minimo gli effetti collaterali. Ad esempio, l’analisi dei dati genomici consente di identificare i pazienti che risponderanno meglio a determinati farmaci, mentre le informazioni sui fattori ambientali e lo stile di vita possono contribuire a creare piani terapeutici più efficaci.
Inoltre, questa tecnologia sta trasformando il campo della diagnostica, nel quale è utilizzata per identificare malattie in stadi molto precoci, quando le possibilità di guarigione sono ancora alte. Algoritmi avanzati di DL sono in grado di analizzare immagini mediche, come radiografie e risonanze magnetiche, per rilevare segni di malattia che potrebbero sfuggire all’occhio umano, migliorando così la diagnosi precoce e l’esito dei trattamenti.
Sfide e criticità
L’IA sta di fatto rivoluzionando la ricerca medico scientifica, ma ci sono ancora diverse sfide da affrontare soprattutto per quanto riguarda la sua adozione su larga scala. Una delle principali criticità riguarda la qualità dei dati utilizzati per addestrare i modelli. Questa tecnologia dipende infatti da enormi volumi di dati per poter apprendere e fare previsioni accurate. Tuttavia, i dati biologici e clinici sono spesso incompleti, non omogenei o di bassa qualità, il che può compromettere l’affidabilità dei modelli.
Un altro aspetto critico riguarda la sua regolamentazione in medicina. L’introduzione di nuove tecnologie comporta inevitabilmente il bisogno di nuove normative per garantire che i modelli siano sicuri e non causino danni ai pazienti. Attualmente, le normative esistenti non sono sempre in grado di tenere il passo con la rapida evoluzione dell’IA, creando incertezze legali e difficoltà nell’approvazione dei modelli.
Infine, la validazione dei modelli resta una delle sfide più complesse: è un processo lungo e spesso costoso, ma dal quale non si può prescindere per garantire sicurezza e affidabilità dei composti che saranno testati nei trial clinici.
PER APPROFONDIRE