Perché la nuova piattaforma di drug discovery che si avvale della potenza dell'intelligenza artificiale arrivasse sul mercato, ci sono volute prove, tribolazioni e un tovagliolo.
13 marzo 2024 | 4 min
"Avresti dovuto tenere quel tovagliolo".
Anche se questo non sembra il tipico consiglio che si potrebbe ricevere dal proprio superiore, è stata Karen Madden, Direttore Tecnico per il settore Life Science di Merck, a dare questo suggerimento. Questo perché gli scarabocchi su quel tovagliolo erano i primi rendering di una nuova piattaforma di drug discovery che si avvale della potenza dell'intelligenza artificiale.
Trovare una molecola promettente per una nuova terapia può essere come cercare un ago in un pagliaio. Le opzioni sembrano illimitate e individuare i candidati più promettenti è un'impresa ardua. E se invece di setacciare manualmente il pagliaio, si potesse usare un potente magnete o un metal detector per trovare quell'"ago" o una molecola potenzialmente simil-farmaco? AIDDISON è il magnete e il metal detector riuniti in un unico strumento.
AIDDISON è una potente piattaforma software che ha lo scopo di ridurre questa fase laboriosa del processo di sviluppo di nuovi farmaci. Molto prima che un nuovo farmaco arrivi sul mercato, si avvii agli studi clinici o alla ricerca preclinica, esso è solo un'idea. Un team identifica un bersaglio specifico per il suo futuro farmaco, ad esempio una proteina difettosa che causa problemi al paziente. I ricercatori devono quindi trovare una molecola - o una manciata di molecole - che inibisca un bersaglio specifico, come la proteina difettosa.
Spesso ci vuole più di un decennio e più di due miliardi di dollari per portare un nuovo farmaco dal banco del laboratorio al letto del paziente. Oltre il 90% dei farmaci non supera gli studi clinici. Il tempo, il denaro e gli sforzi persi in nuove iniziative farmaceutiche fallite possono essere impressionanti.
Se nelle prime fasi dello sviluppo di un farmaco, note come fase di scoperta del farmaco, gli scienziati riuscissero a identificare con maggiore accuratezza le molecole che hanno probabilità di successo nelle fasi successive, è possibile che la percentuale di fallimento diminuisca. Ciò significa che si sprecherebbero meno soldi e meno tempo per candidati farmaci che sono destinati a fallire negli studi clinici.
"La chiave per il successo della progettazione dei farmaci è adottare un approccio olistico, aumentare il successo di ogni ciclo di progettazione e fare in modo che 'ogni colpo conti' per portare più velocemente le cure ai pazienti", afferma Ashwini Ghogare, che si rammarica di non aver conservato il tovagliolo e che ha svolto un ruolo chiave nel portare la piattaforma ai clienti.
"La chiave del successo della progettazione di farmaci è adottare un approccio olistico, aumentare il successo di ogni ciclo di progettazione e far sì che 'ogni colpo conti' per portare più velocemente le cure ai pazienti".
- Ashwini Ghogare
Combinazione di forze
L'idea di AIDDISON è nata quando Ghogare ha incontrato Daniel Kuhn a una conferenza di Merck a Burlington, Massachusetts, USA, nel 2019. Dopo aver ascoltato Kuhn presentare i modi in cui il suo team aveva costruito modelli di apprendimento automatico per supportare il lavoro di scoperta di farmaci, Ghogare si è avvicinata alla sua tavola e ha detto: "Dobbiamo parlare".
Hanno parlato delle sfide del drug discovery e delle loro idee in merito a quali potrebbero essere le soluzioni. Lo sfruttamento dei dati esistenti e l'intelligenza artificiale, una tecnologia trasformazionale, sono diventati il loro primo argomento di conversazione. E sì, hanno preso un tovagliolo per annotare le loro idee. In quei primi scarabocchi, hanno abbozzato un primo progetto dell'interfaccia e hanno fatto un brainstorming su alcuni processi.
Daniel Kuhn espone a una conferenza di Merck. Ashwini Ghogare era presente tra il pubblico.
Nelle settimane successive Ghogare era piena di eccitazione e di aspettative. Si sentiva piena di energia e sapeva che quello che avevano in mente era qualcosa di speciale.
La collaborazione ha funzionato anche grazie al fatto che i due si sono presentati al tavolo con background accademici e professionali diversi. Ghogare ha conseguito un dottorato di ricerca in chimica organica incentrato sull'ingegnerizzazione di nuove soluzioni terapeutiche per l'oncologia, che ha portato alla creazione di una start-up. Nel 2018 è entrata a far parte di Merck per guidare l'innovazione di prodotto di SYNTHIA, un software che consente ai chimici di laboratorio di identificare la via sintetica più valida per i loro candidati farmaci. Ghogare ama mettere a disposizione degli scienziati tecnologie d'avanguardia per accelerare la scoperta di terapie migliori per i pazienti.
Kuhn, invece, ha conseguito un dottorato in chimica computazionale in un gruppo di progettazione dei farmaci. Da allora si è concentrato sul miglioramento del drug discovery, anche nel suo ruolo presso la divisione Healthcare di Merck. Si adopera per contribuire alla ricerca di nuove terapie e farmaci per i pazienti utilizzando tecnologie di modellazione predittiva e generativa.
La loro profonda esperienza nel drug discovery, unita alla competenza nello sviluppo di software e piattaforme, si è rivelata una combinazione perfetta. Al di là dei loro background distinti ma complementari, un altro elemento chiave ha contribuito a far progredire la collaborazione. Si sono semplicemente divertiti a lavorare insieme.
Costruito da zero
Anni prima che i due si incontrassero a Burlington, Kuhn stava sviluppando strumenti per aiutare il suo team nel settore Healthcare di Merck a trovare più rapidamente candidati farmaci migliori.
Per costruire i suoi modelli, Kuhn aveva bisogno di utilizzare un ampio set di dati, che comprendesse i dettagli sul modo in cui le diverse molecole avevano soddisfatto o meno le aspettative nei primi esperimenti. Fortunatamente, i suoi colleghi del ramo Healthcare di Merck avevano conservato meticolosamente i dati per decenni. Questi ricchi dati sperimentali si sono rivelati fondamentali per l'avanzamento dei modelli e, in definitiva, hanno costituito un enorme passo avanti per AIDDISON.
Quando Kuhn ha condiviso la sua innovazione al Summit di Burlington, Ghogare ha immediatamente compreso la forza dei modelli e ha capito che avrebbero riscosso l'apprezzamento degli sviluppatori di farmaci al di fuori dell'azienda. Così è iniziato lo sforzo imprenditoriale per portare uno strumento interno ai clienti di tutto il mondo.
Kuhn e Ghogare sono rimasti loro stessi un po' sorpresi della rapidità dei progressi. Grazie a partnership e team forti, dalla prima conversazione al lancio pubblico della piattaforma sono passati poco più di due anni.
Per Kuhn, una parte importante dell'interesse a commercializzare lo strumento è stata quella di rendere lo spazio chimico di drug discovery più accessibile ai team più piccoli, che raramente hanno accesso a grandi serie di dati nell'ambito della propria azienda per costruire i propri modelli. Più menti lavorano alla ricerca di nuove soluzioni terapeutiche, meglio sarà per i pazienti.
"I modelli non sono sempre giusti, ma nemmeno gli esseri umani lo sono", afferma Kuhn. "Modelli ben progettati, come quelli di AIDDISON, sono la base per accelerare la scoperta di nuovi farmaci, trovando e dando priorità alle molecole con buone proprietà e aiutando gli scienziati a prendere decisioni migliori."
AIDDISON aiuta i team di tutte le dimensioni a identificare più rapidamente le molecole candidate e a ridurre un punto dolente nel percorso di drug discovery.
A proposito di AIDDISON
Sfruttando oltre 20 anni di dati della ricerca farmaceutica, la piattaforma AIDDISON™ supportata dalla potenza dell'intelligenza artificiale combina design generativo, intuizioni predittive e modellazione 3D in una soluzione pronta all'uso in grado di accelerare la scoperta di farmaci.
Genera idee con un rapido screening in silico di vasti database chimici e con la progettazione de novo.
Ottimizza i risultati per quanto riguarda la sintetizzabilità e le proprietà ADMET con modelli ML del mondo reale.
Valuta e mette in ordine di priorità gli hit con strumenti avanzati per la visualizzazione dei dati e per l'indagine dei meccanismi di binding molecolare.
Per continuare a leggere, autenticati o crea un account.
Non hai un Account?