Farmaci a RNA- AI-immagine credit public domain.
Nell’ambito della medicina moderna, le terapie basate sull’RNA si sono affermate come una strada promettente, con progressi significativi nelle malattie metaboliche, in oncologia e nei vaccini preventivi. Un recente articolo pubblicato su Engineering intitolato “The Future of AI-Driven RNA Drug Development” di Yilin Yan, Tianyu Wu, Honglin Li, Yang Tang e Feng Qian, esplora come l’intelligenza artificiale (IA) possa rivoluzionare lo sviluppo di farmaci a RNA, superando gli attuali limiti e offrendo nuove opportunità di innovazione.
L’articolo evidenzia il potenziale delle terapie a RNA, osservando che i farmaci a RNA hanno mostrato tassi di successo più elevati rispetto ai farmaci tradizionali. Ad esempio, Alnylam Pharmaceuticals afferma che il tasso cumulativo di transizione dei farmaci a RNA interference (RNAi) dalla fase clinica 1 alla fase 3 raggiunge il 64,4%, significativamente superiore al tasso di successo dei farmaci tradizionali del 5%-7%. Inoltre, i tempi di scoperta dei farmaci a RNA sono generalmente misurati in mesi, anziché negli anni richiesti per i farmaci tradizionali e sono associati a costi inferiori. Tuttavia, nonostante questi vantaggi, le attuali tecniche sperimentali come CRISPR e metodi computazionali come il sequenziamento dell’RNA non riescono ancora a soddisfare le esigenze di velocità e diversità nello sviluppo di farmaci a RNA.
L’intelligenza artificiale è pronta a colmare questa lacuna. L’articolo sottolinea la capacità dell’IA di sfruttare il calcolo parallelo e di apprendere modelli complessi da dati su larga scala, superando così i limiti delle metodologie esistenti. Gli approcci basati sull’IA possono migliorare l’efficienza dello sviluppo dei farmaci e aprire nuove opportunità per l’identificazione di candidati innovativi. Gli autori delineano tre strategie principali attraverso le quali l’intelligenza artificiale può guidare i progressi nello sviluppo di farmaci a RNA: approcci basati sui dati, approcci basati su strategie di apprendimento e approcci basati su deep learning.
Gli approcci basati sui dati costituiscono la base, utilizzando set di dati su larga scala e tecniche di rule mining per estrarre modelli e relazioni significativi tra le molecole di RNA e le loro strutture o funzioni biologiche. Gli approcci basati su strategie di apprendimento impiegano tecniche come l’inferenza causale e l’apprendimento per rinforzo per ottimizzare i processi decisionali. Gli approcci basati su deep learning, che rappresentano un livello più elevato di complessità e automazione, utilizzano modelli linguistici di grandi dimensioni come ChatGPT per analizzare lunghe sequenze di RNA e supportare la progettazione de novo di RNA funzionali.
L’articolo prevede un futuro flusso di lavoro per lo sviluppo di farmaci a RNA basato sull’intelligenza artificiale, basato su un sistema interattivo basato su software. Questo sistema presenterebbe due cicli di feedback chiave: un ciclo interno incentrato sulla progettazione basata sulla piattaforma per migliorare le prestazioni del modello di intelligenza artificiale e un ciclo esterno che integra i dati del mondo reale per perfezionare continuamente lo sviluppo del farmaco. Il flusso di lavoro inizierebbe con la digitalizzazione completa dei dati dell’RNA, seguita dalla progettazione personalizzata di farmaci candidati, dalla valutazione dei farmaci, dalla sintesi automatizzata e dagli esperimenti biologici per la validazione clinica preliminare. I farmaci candidati selezionati verrebbero quindi abbinati ai sistemi di somministrazione appropriati e inseriti in una simulazione online per l’osservazione precoce delle dinamiche di somministrazione, dell’azione del farmaco e dei processi di degradazione all’interno del corpo umano.
Gli autori individuano diversi temi di ricerca stimolanti per il breve termine, tra cui la visualizzazione completa ad alta risoluzione, la scoperta personalizzata di farmaci a RNA e lo sviluppo di una piattaforma di generazione di RNA modificabile. Questi progressi potrebbero portare a una rappresentazione più completa e interattiva delle strutture dell’RNA e del loro comportamento nei sistemi biologici, consentendo la creazione di farmaci a RNA altamente personalizzati, adattati ai profili genetici individuali.
Leggi anche:L innovativo editing dell RNA offre speranza oltre CRISPR
I vantaggi economici e sociali dello sviluppo di farmaci a RNA basato sull’intelligenza artificiale sono notevoli. L’automazione basata sull’intelligenza artificiale riduce le attività ad alta intensità di lavoro, consentendo un’identificazione più rapida e accurata del bersaglio dell’RNA, con conseguenti risparmi sui costi e una sperimentazione più rapida delle terapie a RNA. Con la scalabilità industriale, la piattaforma garantisce una qualità costante dei farmaci e una maggiore efficienza dei costi attraverso processi ottimizzati e ripetibili.
L’integrazione dell’intelligenza artificiale nello sviluppo di farmaci a RNA ha il potenziale per trasformare il futuro delle terapie. Sfruttando le capacità dell’intelligenza artificiale, i ricercatori possono esplorare sistematicamente nuove strutture di RNA, identificare promettenti candidati farmaci e accelerare la pipeline di scoperta dei farmaci, portando infine a modelli di sviluppo più sostenibili ed economici con benefici diffusi.