Un nuovo modello di intelligenza artificiale sviluppato dai chimici dell'ETH di Zurigo è in grado di prevedere dove la molecola di un principio attivo può essere modificata chimicamente in modo mirato e anche come farlo al meglio. In questo modo è possibile trovare più rapidamente nuovi principi attivi farmaceutici e migliorare quelli esistenti.
- Leggi tutto
- Numero di commenti
![Capsula rossa e bianca in primo piano, hardware utilizzato per l'apprendimento automatico sullo sfondo](/de/news-und-veranstaltungen/eth-news/news/2023/11/kuenstliche-intelligenz-findet-wege-zu-neuen-medikamenten/_jcr_content/articleLeadImage/image.imageformat.carousel.243255821.jpg)
In poche parole
- Trovare e produrre nuovi farmaci è stato finora un processo che ha richiesto molto tempo. I ricercatori dell'ETH di Zurigo hanno sviluppato un modello di intelligenza artificiale che aiuta a trovare i siti molecolari adatti per lo sviluppo di nuove sostanze attive.
- I chimici hanno testato il processo su una reazione per attivare le impalcature di idrocarburi, nota come borylation.
- I metodi di intelligenza artificiale possono accelerare lo sviluppo di nuovi principi attivi farmaceutici e l'ottimizzazione di quelli esistenti.
Nuove molecole di farmaci gettano le basi per terapie mediche innovative e migliori. Tuttavia, trovarle e, soprattutto, produrle sintetizzandole chimicamente in laboratorio è tutt'altro che banale. Per trovare il processo di produzione ottimale, i chimici di solito utilizzano un approccio per tentativi ed errori: Ricavano le possibili vie per la produzione in laboratorio da reazioni chimiche note e poi testano ciascuna di esse con esperimenti. Si tratta di una procedura che richiede molto tempo e che è caratterizzata da numerosi fallimenti.
Gli scienziati dell'ETH di Zurigo, insieme ai ricercatori di Roche Pharma Research and Early Development, hanno sviluppato un metodo basato sull'intelligenza artificiale (AI) che aiuta a determinare il miglior metodo di sintesi, compresa la sua probabilità di successo. "Con il nostro metodo, il numero di esperimenti in laboratorio può essere ridotto in modo significativo", spiega Kenneth Atz. Ha sviluppato il modello di intelligenza artificiale come dottorando insieme al professore Gisbert Schneider presso l'Istituto di scienze farmaceutiche dell'ETH di Zurigo.
I principi attivi farmaceutici sono solitamente costituiti da un'impalcatura alla quale sono legati i cosiddetti gruppi funzionali, che consentono di svolgere una funzione biologica molto specifica. Il compito dell'impalcatura è quello di portare i gruppi funzionali in un allineamento geometrico definito tra loro, in modo che possano agire in modo mirato. Il principio è paragonabile a quello di un kit per la costruzione di una gru, in cui un'impalcatura di elementi di collegamento viene avvitata in modo tale che i gruppi funzionali come le pulegge, gli argani, le ruote e la cabina di guida siano disposti correttamente l'uno rispetto all'altro.
Introduzione alle funzioni chimiche
Per produrre farmaci con un effetto medico migliore o nuovo, i gruppi funzionali vengono collocati, tra l'altro, in nuove posizioni sugli scaffold. Ciò che sembra semplice e che non sarebbe un problema con una gru per la modellazione è particolarmente difficile in chimica. Poiché le impalcature stesse, costituite principalmente da atomi di carbonio e idrogeno, sono praticamente non reattive, è anche difficile combinarle con atomi funzionali come ossigeno, azoto o cloro. Affinché ciò avvenga, i framework devono prima essere attivati chimicamente tramite reazioni di diversione.
![Foto ritratto di Kenneth Atz](/de/news-und-veranstaltungen/eth-news/news/2023/11/kuenstliche-intelligenz-findet-wege-zu-neuen-medikamenten/_jcr_content/wide_content/citation/image.imageformat.fullwidth.557143155.jpg)
"Con il nostro metodo, il numero di esperimenti in laboratorio può essere significativamente ridotto".Kenneth Atz![]()
Un metodo di attivazione che apre molte possibilità per diversi gruppi funzionali sulla carta è la borilazione. In questo processo, un gruppo chimico contenente l'elemento boro viene legato a un atomo di carbonio della struttura. In una seconda fase, il gruppo boro può essere facilmente sostituito da un'ampia gamma di gruppi attivi dal punto di vista medico.
Dati da fonti affidabili
"Sebbene la borilazione abbia un grande potenziale, la reazione è difficile da controllare in laboratorio. Per questo motivo abbiamo trovato solo poco più di 1.700 articoli scientifici sull'argomento in una ricerca globale della letteratura", dice Atz, descrivendo il punto di partenza del suo lavoro.
Le reazioni descritte nella letteratura scientifica dovevano fornire i dati per l'addestramento di un modello di intelligenza artificiale con cui il team di ricerca voleva trovare il maggior numero possibile di siti in nuove molecole in cui fosse possibile la borizzazione. Tuttavia, i ricercatori sono stati in grado di utilizzare solo una frazione della letteratura trovata per il modello. Per evitare di essere fuorviati da falsi risultati derivanti da un lavoro di ricerca poco accurato, si sono limitati a 38 articoli particolarmente affidabili. In essi sono state descritte in totale 1380 reazioni di borilazione.
Per ampliare il set di dati di addestramento, i risultati della letteratura sono stati integrati da analisi di 1000 reazioni effettuate nel laboratorio di ricerca automatizzato di chimica medicinale di Roche. In questo laboratorio è possibile eseguire e analizzare simultaneamente molte reazioni chimiche su scala milligrammi. "La combinazione di automazione di laboratorio e IA ha un enorme potenziale per aumentare significativamente l'efficienza della sintesi chimica e allo stesso tempo agire in modo più sostenibile", spiega David Nippa, che ha realizzato il progetto insieme ad Atz dottorando presso Roche.
Elevato potere predittivo, soprattutto con i dati 3D
Le capacità predittive del modello generato da questo pool di dati sono state verificate utilizzando sei molecole di farmaci note. I siti aggiuntivi previsti sono stati confermati in cinque casi su sei da test sperimentali in laboratorio. I siti in cui non è possibile l'attivazione negli scaffold sono stati identificati in modo altrettanto affidabile. Inoltre, il modello ha fornito le condizioni ottimali per le reazioni di attivazione in ogni caso.
![Foto ritratto di Gisbert Schneider](/de/news-und-veranstaltungen/eth-news/news/2023/11/kuenstliche-intelligenz-findet-wege-zu-neuen-medikamenten/_jcr_content/wide_content/citation_439291812/image.imageformat.fullwidth.1730721801.jpg)
"Questo progetto dimostra l'enorme potenziale dei partenariati pubblico-privato per la Svizzera".Gisbert Schneider![]()
? interessante notare che le previsioni sono migliorate quando sono state incluse le informazioni 3D dei materiali di partenza e non solo le loro formule chimiche bidimensionali. "Il modello sembra sviluppare una sorta di comprensione chimica tridimensionale", ipotizza Atz.
Il tasso di successo delle previsioni ha convinto anche i ricercatori di Roche Pharma Research and Early Development. Hanno già utilizzato con successo il metodo per trovare siti in sostanze attive esistenti in cui possono essere introdotti gruppi attivi aggiuntivi. Questo li aiuta a sviluppare più rapidamente varianti nuove e più efficaci di principi attivi farmaceutici noti.
Focus su altre funzionalizzazioni
Atz e Schneider intravedono numerose altre possibili applicazioni di modelli di IA basati su una combinazione di dati provenienti dalla letteratura attendibile e da esperimenti in un laboratorio automatizzato. In questo modo, ad esempio, dovrebbe essere possibile trovare modelli efficaci anche per reazioni di attivazione diverse dalla borilazione. Inoltre, il team spera di ottenere una gamma più ampia di reazioni per funzionalizzare ulteriormente i siti borylati.
Atz è ora coinvolto in questo ulteriore sviluppo come scienziato AI nella ricerca sulla chimica medicinale presso Roche: "? incredibilmente eccitante lavorare all'interfaccia tra la ricerca accademica sull'IA e l'automazione di laboratorio. Ed è un piacere poterla sviluppare ulteriormente con i migliori contenuti e metodi". Schneider aggiunge: "Questo progetto innovativo è un ponte di successo tra il mondo accademico e l'industria che dimostra l'enorme potenziale dei partenariati pubblico-privato per la Svizzera".
Riferimento alla letteratura
Nippa DF, Atz K, Hohler R, Müller AT, Marx A, Bartelmus C, Wuitschik G, Marzuoli I, Jost V, Wolfard J, Binder M, Stepan AF, Konrad DB, Grether U, Martin RE, Schneider G: Enabling Late-Stage Drug Diversification by High-Throughput Experimentation with Geometric Deep Learning. Nature Chemistry, 23 novembre 2023, doi: pagina esterna10.1038/s41557-023-01360-5