Stando a quanto riporta Nature, i biologi di AlphaFold sono riusciti a identificare centinaia di migliaia di nuove potenziali molecole psichedeliche, che potrebbero contribuire allo sviluppo di nuovi farmaci antidepressivi. La ricerca, effettuata grazie a un rivoluzionario strumento di previsione delle strutture proteiche, mostra per la prima volta che le previsioni di AlphaFold possono essere utili per la scoperta tanto quanto la sperimentazione tradizionale, i cui risultati possono richiedere mesi o addirittura anni.
AlphaFold è sviluppato da DeepMind (parte di Alphabet/Google) e utilizza l’intelligenza artificiale per prevedere la struttura tridimensionale delle proteine. Il software è basato sul deep learning, una tecnica di apprendimento automatico che consente ai computer di imparare da grandi quantità di dati. Questi risultati imprimono un notevole slancio ad AlphaFold, un software che può rappresentare un cambiamento epocale nella biologia. Il suo database contiene previsioni della struttura di quasi ogni proteina conosciuta: “è una rivoluzione assoluta […] per la progettazione di farmaci,” afferma Jens Carlsson, chimico computazionale presso l’Università di Uppsala in Svezia.
Tuttavia, alcuni scienziati dubitano che le previsioni di AlphaFold possano sostituire i modelli sperimentali tradizionali nella ricerca di nuovi farmaci. Secondo Brian Shoichet, chimico farmaceutico presso l’Università della California, a San Francisco, “c’è molta esagerazione. Ogni volta che qualcuno dice ‘questo o quello rivoluzionerà la scoperta di farmaci’, va accolto con un po’ di scetticismo”. Shoichet cita più di dieci studi che, per identificare potenziali farmaci, hanno trovato le previsioni di AlphaFold meno utili delle strutture proteiche ottenute coi tradizionali metodi sperimentali.
Per verificare i suoi dubbi, il team ha eseguito uno screening virtuale di centinaia di milioni di potenziali farmaci. Ha poi eseguito lo stesso screening utilizzando modelli delle proteine prelevati dal database di AlphaFold. Quindi, ha sintetizzato centinaia dei composti più promettenti identificati con entrambi gli approcci, e ne ha misurato l’attività in laboratorio. Gli screening hanno prodotto candidati farmaci completamente diversi. “Non c’erano due molecole uguali,” dice Shoichet. “Non si assomigliavano nemmeno.”
Con sorpresa del team, però, i ‘tassi di successo’ (ossia la proporzione di composti segnalati che effettivamente alteravano l’attività proteica in modo significativo) erano quasi identici per i due gruppi. E AlphaFold ha identificato i farmaci che attivano più potentemente il recettore della serotonina. L’LSD funziona in parte attraverso questo percorso e molti ricercatori stanno cercando composti non allucinogeni che facciano la stessa cosa, per poi usarli come potenziali antidepressivi.
In un lavoro non pubblicato, il team di Carlsson ha quindi scoperto che le strutture di AlphaFold sono efficaci nell’identificare farmaci per una determinata classe di bersagli, chiamata recettori accoppiati a proteine G. In questo caso il tasso di successo è intorno al 60%. Avere fiducia nelle strutture proteiche previste dall’IA potrebbe essere rivoluzionario per la scoperta di farmaci, aggiunge Carlsson. Determinare le strutture sperimentalmente non è banale, e molti potenziali bersagli potrebbero non essere accessibili con gli strumenti esistenti. “Sarebbe molto conveniente se potessimo premere un pulsante e ottenere una struttura che possiamo poi usare”, dice.
Isomorphic Labs, una società collegata a DeepMind di Google a Londra, sta intensificando i suoi sforzi nella scoperta di farmaci utilizzando AlphaFold. “Questa non è una panacea”, afferma Karen Akinsanya, presidente della ricerca e sviluppo per terapie presso Schrödinger, una società di software per farmaci con sede a New York che si avvale AlphaFold. Le strutture previste, infatti, sono utili per alcuni bersagli farmacologici ma non per altri, e non è sempre chiaro quali applicare.
L’obiettivo principale di Isomorphic Labs è stato annunciato il 7 gennaio. L’azienda ha reso noti contratti che partono da un valore di 82,5 milioni di dollari americani, che potenzialmente possono arrivare a 2,9 miliardi di dollari qualora determinati traguardi commerciali vengano raggiunti. Questi accordi sono finalizzati alla scoperta di nuovi farmaci per conto delle multinazionali farmaceutiche Novartis e Eli Lilly.
Secondo quanto dichiarato dalla compagnia, queste ricerche saranno supportate da una versione aggiornata di AlphaFold, capace di prevedere le strutture delle proteine in interazione coi farmaci e altre molecole. Non è stato ancora specificato da DeepMind se e quando questa nuova versione sarà disponibile per la comunità scientifica, a differenza delle versioni precedenti. Un altro strumento denominato RoseTTAFold All-Atom3, in concorrenza ad AlphaFold, sarà invece reso disponibile a breve dai suoi sviluppatori.
In circa il 10% dei casi, le previsioni che AlphaFold considera molto accurate sono sostanzialmente diverse da quelle ottenute tramite la sperimentazione tradizionale. E anche quando le strutture previste possono aiutare ad identificare il percorso da seguire, sono spesso necessari modelli sperimentali più dettagliati per ottimizzare le proprietà di un particolare candidato farmaco, aggiunge Akinsanya.
Shoichet concorda sul fatto che le previsioni di AlphaFold non siano universalmente utili. “Ci sono stati molti modelli che non abbiamo nemmeno provato perché pensavamo fossero inutili”, dice. Tuttavia, stima che in circa un terzo dei casi i risultati di AlphaFold potrebbero dare il via a un nuovo progetto. “Ciò potrebbe far avanzare i progetti di un paio d’anni, il che sarebbe un risultato enorme”, afferma.
Gli strumenti basati sull’IA non sostituiranno completamente la sperimentazione, dicono gli scienziati, ma il loro potenziale nell’aiutare a trovare nuovi farmaci non va sottovalutato. “Ci sono molte persone che vogliono che AlphaFold faccia tutto, e molti biologi strutturali che sostengono di essere ancora necessari”, dice Carlsson. “Non sarà facile trovare il giusto equilibrio”.
