Una collaborazione innovativa tra ricercatori dell’Università di Cambridge e l’azienda farmaceutica Pfizer ha portato a un approccio trasformativo nella scoperta e sviluppo dei farmaci. Unendo gli esperimenti automatizzati all’intelligenza artificiale (IA), il team ha utilizzato il potere dell’apprendimento automatico per rivoluzionare il modo in cui vengono creati nuovi farmaci.
Tradizionalmente, la scoperta dei farmaci si basava su metodi di tentativi ed errori, che spesso portavano a tassi elevati di insuccesso. L’approccio convenzionale prevedeva la simulazione di reazioni chimiche utilizzando modelli semplificati che richiedevano molte risorse computazionali e potevano essere soggetti ad inaccuracie. Tuttavia, la nuova tecnica sviluppata dal team di Cambridge, chiamata “reattoma chimico”, è destinata a cambiare il gioco.
Il reattoma chimico è un metodo basato sui dati che identifica correlazioni tra reagenti, reagenti e prestazioni di una reazione. Analizzando un vasto dataset di oltre 39.000 reazioni rilevanti, non solo evidenzia le lacune esistenti nei dati, ma scopre anche relazioni nascoste tra i componenti delle reazioni e i risultati. Questo approccio, combinato con esperimenti automatizzati ad alta velocità, porta la chimica nell’era dei big data.
Oltre al reattoma chimico, il team ha anche sviluppato un approccio di apprendimento automatico per precise trasformazioni molecolari. Questo metodo permette ai chimici di apportare modifiche specifiche al nucleo di una molecola, simili a un piccolo aggiustamento di design dell’ultimo minuto. Questa flessibilità è cruciale per l’efficienza nella progettazione dei farmaci, in particolare per le reazioni di funzionalizzazione in fase tardiva, che spesso sono imprevedibili e difficili da controllare.
Per superare le limitazioni dei dati scarsi nella funzionalizzazione in fase tardiva, i ricercatori hanno addestrato il loro modello di apprendimento automatico utilizzando ampi dati spettroscopici. Questa fase di pre-addestramento ha permesso al modello di prevedere con precisione i siti di reattività e le loro variazioni in diverse condizioni. La validazione sperimentale del modello su un set diversificato di molecole simili a farmaci ha dimostrato la sua capacità di predire con precisione i siti di reattività.
L’applicazione dell’apprendimento automatico nella chimica è spesso ostacolata dalla scarsità dei dati rispetto all’ampiezza dello spazio chimico. Tuttavia, l’approccio del team di Cambridge, che prevede la progettazione di modelli che apprendono da dataset simili ma non identici, ha risolto questa sfida. Questa scoperta ha il potenziale per sbloccare significativi progressi nella scoperta e progettazione dei farmaci, andando oltre la funzionalizzazione in fase tardiva.
Lo studio che descrive questo lavoro rivoluzionario è stato pubblicato sulla rivista Nature Communications. Con l’avvento dell’apprendimento automatico nell’industria farmaceutica, il futuro della scoperta e progettazione dei farmaci sembra promettente. Sfruttando il potere dell’IA, i ricercatori possono aspettarsi uno sviluppo più rapido ed efficiente di farmaci salvavita.
The source of the article is from the blog rugbynews.at