Un'epidemia globale di resistenza antimicrobica
La resistenza ai farmaci nei microbi, inclusi batteri, funghi, parassiti e virus, rappresenta una minaccia globale in crescente accelerazione. Nel 2021, circa cinque milioni di decessi sono stati associati alla resistenza antimicrobica batterica, una perdita annuale che si prevede raddoppierà approssimativamente entro il 2050. La scoperta di molecole con il potenziale di diventare antimicrobici può richiedere anni di ricerca meticolosa e costosa. In risposta a questa crisi sanitaria mondiale, i ricercatori stanno ricorrendo all'intelligenza artificiale per accelerare le fasi iniziali della scoperta di farmaci, trasformando un processo che tradizionalmente richiedeva diversi anni in una questione di ore.
César de la Fuente, un bioingegnere il cui laboratorio multidisciplinare ricerca candidati antimicrobici, ha descritto la situazione con chiarezza inquietante: "La resistenza antimicrobica è una delle più grandi minacce esistenziali per l'umanità secondo il mio parere. Eppure, non abbiamo avuto una nuova classe di antibiotici negli ultimi 50 anni." Questa affermazione sottolinea l'urgenza della situazione e il vuoto critico nella pipeline di sviluppo farmaceutico moderno, dove l'industria si concentra principalmente sulla modifica di medicinali esistenti o sulla ricerca all'interno di classi chimiche familiari, un approccio che sta mostrando rendimenti sempre più decrescenti.
La biologia come sistema informativo
L'approccio innovativo del laboratorio di de la Fuente parte da un luogo molto meno esplorato rispetto ai metodi convenzionali: il codice della vita stessa. La tesi centrale di questo lavoro è radicale e affascinante: la biologia è un sistema informativo, esattamente come i linguaggi di programmazione che gli informatici utilizzano quotidianamente. "I nucleotidi che compongono il DNA e gli aminoacidi che compongono proteine e peptidi sono come un alfabeto," ha spiegato de la Fuente. "Pensare alla biologia come informazione ci ha permesso di sviluppare metodi che possono iniziare a decifrare i principi organizzativi della vita che hanno dato origine a una molecola funzionale."
Questo paradigma rappresenta un cambio fondamentale nel modo di concepire la ricerca biologica. Anziché trattare la biologia come un insieme di reazioni chimiche isolate, i ricercatori del laboratorio la vedono come una raccolta massiccia di pattern informativi codificati nel linguaggio universale della natura. I modelli di deep learning sviluppati dal laboratorio sono addestrati a riconoscere pattern specifici nelle sequenze biologiche, permettendo loro di cercare vasti database di genomi e proteine per identificare potenziali antimicrobici con una precisione e una velocità impossibili da raggiungere con metodi manuali.
L'impatto di questo approccio è trasformativo: la ricerca iniziale di molecole candidate può essere ridotta da anni a ore. Questo significa che i ricercatori possono esplorare uno spazio di possibilità molto più vasto e identificare candidati promettenti con una velocità senza precedenti. Accanto ai suoi modelli di IA proprietari, il laboratorio utilizza ChatGPT e Codex per brainstorming su ipotesi, scrittura e raffinamento del codice, elaborazione di dataset, analisi dei risultati e collegamento di idee tra diverse discipline scientifiche.
Esplorare gli spazi non letti della biologia
Solo una frazione di un genoma ha una funzione chiaramente compresa, e ancora meno codificano molecole che possono combattere i microbi infettivi. La sfida centrale che il laboratorio di de la Fuente affronta è identificare i pattern che rendono una molecola funzionale, o biologicamente attiva, e poi determinare quali hanno il potenziale per combattere i microbi infettivi. Questo compito è complicato dal fatto che il genoma umano contiene circa 20.000 geni, mentre il genoma di altri organismi può contenerne decine di migliaia, e la maggior parte di questi rimane ancora poco compresa in termini di funzione biologica.
Storicamente, gli scienziati hanno cercato antimicrobici in fonti naturali diversificate: piante, animali, microbi, insetti, acqua e suolo. Il processo tradizionale comporta la raccolta di campioni, l'isolamento o la previsione di molecole candidate, e il loro test in un processo iterativo che può richiedere anni di lavoro laborioso. Questo approccio, sebbene abbia prodotto molti farmaci importanti nel corso dei decenni, sta raggiungendo i limiti della sua efficienza e della sua portata.
I database digitali di genomi e proteine hanno trasformato il panorama della ricerca scientifica, permettendo ai ricercatori di cercare attraverso l'albero della vita per nuovi composti e ampliando drammaticamente la larghezza dei database disponibili per l'esplorazione. Tuttavia, questa abbondanza di informazioni porta con sé le sue sfide uniche: trovare segnali promettenti tra un numero enorme di possibilità è come cercare un ago in un pagliaio, ma un pagliaio che continua a crescere esponenzialmente con ogni nuovo sequenziamento genomico completato.
L'intelligenza artificiale è particolarmente adatta a questo compito di ricerca nel mucchio di informazioni. Può scansionare dataset massivi, identificare pattern che potrebbero essere difficili per i ricercatori umani da riconoscere, e dare priorità a un insieme gestibile di candidati per il testing sperimentale. Gli algoritmi di machine learning possono riconoscere correlazioni sottili tra struttura molecolare e attività biologica, relazioni che potrebbero non essere evidenti anche ai ricercatori più esperti.
Dal candidato al farmaco approvato
Tuttavia, identificare un candidato promettente non significa necessariamente che diventerà un farmaco efficace. Il percorso dalla scoperta al mercato è lungo, complesso e pieno di ostacoli. I ricercatori devono prima confermare che una molecola candidata uccide effettivamente il microbo bersaglio, determinare la quantità necessaria per essere efficace, e testare come influisce sulle cellule umane. Questo processo di validazione iniziale è cruciale e spesso rivela che i candidati apparentemente promettenti non hanno l'attività biologica predetta in un ambiente biologico complesso.
I chimici possono quindi ottimizzare la molecola per migliorare la sua efficacia, sicurezza o stabilità, una serie di iterazioni che possono portare a mesi o anni di ulteriore lavoro. Test aggiuntivi valutano la dose alla quale il candidato diventa tossico per le cellule umane, quanto rapidamente i microbi sviluppano resistenza alla molecola, e come il candidato si muove attraverso il corpo umano, raggiungendo il sito di infezione. I team multidisciplinari determinano anche un modo affidabile per produrre la molecola su scala industriale, una sfida tecnica che ha causato il fallimento di molti promettenti candidati farmaceutici. I candidati che superano questi ostacoli devono ancora affrontare una revisione normativa rigorosa da parte di agenzie come la FDA e prove cliniche estese su volontari umani prima di poter raggiungere i pazienti come farmaci antimicrobici approvati.
Per de la Fuente, questa è la ragione per cui l'IA e la biologia di laboratorio devono progredire insieme. "Gli esperimenti ground-truth sono essenziali per validare le previsioni dell'IA," ha sottolineato. "Questo sarà critico nelle scienze della vita negli anni a venire se vogliamo continuare a grattare la superficie della nostra comprensione della biologia, che è la cosa più complessa che esista."
Codex e ChatGPT come collaboratori transdisciplinari
Il laboratorio di de la Fuente esplora i genomi di organismi viventi ed estinti alla ricerca di molecole candidate. La ricerca in questi genomi, la comprensione di come le proteine codificate si formano e funzionano, e la determinazione di cosa fanno queste molecole richiedono un'expertise che attraversa diversi campi scientifici. "Siamo un gruppo altamente transdisciplinare," ha spiegato de la Fuente, "quindi abbiamo persone dalla biologia, dalla chimica, dall'informatica, dall'ingegneria." Alcuni membri del laboratorio sono programmatori forti ma conoscono meno biologia o chimica, e viceversa. Codex e ChatGPT aiutano a colmare questi gap, permettendo ai biologi di costruire programmi e ai programmatori di affrontare problemi biologici. In questo senso, l'IA abbassa le barriere tra discipline scientifiche diverse.
Gli strumenti di IA assistono i membri del laboratorio nel rivedere argomenti non familiari di cui hanno bisogno per il loro lavoro transdisciplinare, nel chiarire la terminologia specializzata, nel comparare metodi tra campi diversi, e nell'organizzare idee per la scoperta di farmaci. Altri utilizzano l'IA per scaricare, organizzare e pre-processare grandi dataset di genomi. ChatGPT permette anche ai membri del laboratorio di lavorare nelle loro lingue native, abbassando ulteriormente le barriere per accelerare i loro flussi di lavoro e rendere la collaborazione internazionale più fluida.
De la Fuente usa ChatGPT come partner di brainstorming per sviluppare nuove idee. Continua a sviluppare idee con i colleghi, ma apprezza la capacità dell'IA di aiutarlo a dare forma alle sue ipotesi scientifiche. Gli piace anche che possa accedere alle informazioni del mondo con un clic del mouse, una capacità che avrebbe richiesto ore in una biblioteca fisica solo pochi anni fa.
"Il nostro workspace di ChatGPT riceve input da tutte queste persone diverse che pensano diversamente ai problemi che stiamo cercando di affrontare," ha spiegato de la Fuente. I membri del laboratorio gli forniscono le loro buone e cattive idee, rendendolo una sorta di tavola di risonanza collaborativa dove il processo creativo del pensiero scientifico è amplificato e migliorato dalla capacità computazionale dell'IA. Questo approccio trasforma l'IA da uno strumento passivo a un partecipante attivo nel processo di scoperta.
Cautela e validazione critica
Tuttavia, de la Fuente avverte contro il ricorso esclusivo all'IA senza supervisione umana. "Ovviamente devi sempre verificare l'accuratezza," ha sottolineato. Questa cautela è saggio: gli attuali modelli di linguaggio come ChatGPT e Codex, sebbene incredibilmente capaci, possono occasionalmente generare informazioni plausibili ma errate, un problema noto come "allucinazione" nel settore dell'IA. In un contesto scientifico critico come la scoperta di farmaci, dove gli errori possono portare a mesi di lavoro sperimentale sprecato, la verifica umana è non solo consigliabile ma essenziale.
Nonostante questa necessaria cautela, de la Fuente apprezza profondamente la capacità dell'IA di aiutare i ricercatori a esplorare i confini tra le discipline scientifiche. "È lì che i breakthrough stanno aspettando di essere scoperti. Sono essenzialmente ai bordi tra i campi dove molto poche persone vanno." Questo insight è fondamentale per comprendere il vero valore dell'IA nella ricerca scientifica: non è di automatizzare completamente la scoperta, ma di ampliare la portata umana e di facilitare la scoperta di connessioni che potrebbero non essere ovvie entro i confini tradizionali di una singola disciplina.
Una tradizione scientifica secolare di strumenti e innovazione
De la Fuente vede questo lavoro come parte di una tradizione scientifica molto più lunga. "Abbiamo sempre fatto affidamento su strumenti e macchine per comprendere il mondo che ci circonda," ha detto. "Il telescopio ha illuminato il cosmo, e il microscopio ha rivelato il mondo dell'invisibile." I telescopi e i microscopi hanno esteso la portata della percezione umana, permettendo agli scienziati di esplorare domini della realtà che altrimenti sarebbero inaccessibili. Oggi, le macchine alimentate dall'intelligenza artificiale aiutano i ricercatori a comprendere, prevedere e ingegnerizzare la biologia su scale mai prima possibili.
"È di questo che si tratta il nostro lavoro," ha concluso de la Fuente. L'IA rappresenta la prossima generazione di strumenti scientifici, simili in importanza storica al microscopio o al telescopio, ma operante nel dominio dell'informazione biologica piuttosto che nel dominio fisico. Questi strumenti hanno il potenziale di accelerare significativamente il ritmo di scoperta scientifica e di affrontare sfide sanitarie globali come la resistenza antimicrobica.
Implicazioni per il futuro della medicina
Il lavoro del laboratorio di de la Fuente rappresenta un paradigma che probabilmente diventerà sempre più comune nella ricerca biologica e farmaceutica. Combinando modelli di deep learning sofisticati con strumenti di IA generativa come ChatGPT e Codex, e integrando tutto con la validazione sperimentale rigorosa, i ricercatori possono accelerare significativamente il processo di scoperta di nuovi farmaci. Con la minaccia crescente della resistenza antimicrobica, questo tipo di accelerazione potrebbe salvare milioni di vite nei decenni a venire.
Inoltre, l'approccio transdisciplinare facilitato dall'IA potrebbe aprire nuove strade per scoprire non solo antimicrobici, ma anche farmaci per altre malattie infettive, malattie croniche e condizioni rare. L'IA non rimpiazzerà i ricercatori umani, ma piuttosto estenderà le loro capacità cognitive e laboriali, permettendo loro di esplorare spazi di possibilità che altrimenti sarebbero troppo vasti per l'indagine umana unaided. Questo è forse il valore più profondo dell'intelligenza artificiale nella scienza: non l'automazione, ma l'amplificazione della capacità umana di comprendere e trasformare il mondo biologico.