Una svolta importante! L'intelligenza artificiale individua farmaci candidati per oltre 17.000 malattie. I “farmaci orfani” per le malattie rare non sono più un sogno lontano?

“Per i pazienti affetti da malattie rare, l’accesso ai farmaci è sempre la massima priorità.”

Lo ha affermato nel 2022 Bi Jingquan, presidente del China Center for International Economic Exchanges.

Le malattie rare, come suggerisce il nome, sono un tipo di malattia con un tasso di incidenza relativamente basso . A causa del numero ridotto di pazienti, della scarsa domanda di mercato, della difficoltà, dei costi elevati e del lungo ciclo di ricerca e sviluppo dei farmaci, la difficoltà di curare le malattie rare rimane elevata e i farmaci per le malattie rare sono chiamati "farmaci orfani". La stragrande maggioranza dei pazienti affetti da malattie rare incontra difficoltà nel trattamento e carenza di farmaci.

Secondo l'Organizzazione Mondiale della Sanità (OMS), tra le oltre 7.000 malattie rare scoperte in tutto il mondo, meno del 10% dispone di opzioni terapeutiche o farmaci approvati e la maggior parte richiede un trattamento farmacologico per tutta la vita. In questo contesto desolante, trovare trattamenti efficaci per le malattie rare è un passo fondamentale per alleviare le difficoltà terapeutiche che devono affrontare i pazienti affetti da queste patologie.

Si prevede che questo passo rappresenti un "piccolo passo" in avanti con l'aiuto dell'intelligenza artificiale (IA).

Di recente, un team di ricerca della Harvard Medical School e i suoi collaboratori hanno sviluppato un modello di intelligenza artificiale chiamato TxGNN, che è il primo nuovo metodo sviluppato specificamente per identificare farmaci candidati per malattie rare e condizioni incurabili. Ha individuato farmaci candidati per oltre 17.000 malattie tra quelli già esistenti, molti dei quali non hanno trattamenti disponibili. Rispetto a modelli di intelligenza artificiale simili per il riutilizzo dei farmaci, TxGNN è in media quasi il 50% più efficace nell'identificare i farmaci candidati e il 35% più preciso nel prevedere quali farmaci potrebbero presentare controindicazioni.

Il documento di ricerca correlato, intitolato "Un modello fondante per il riutilizzo dei farmaci incentrato sul clinico", è stato pubblicato su Nature Medicine, una sussidiaria di Nature.

In che modo l'intelligenza artificiale può promuovere il riutilizzo dei farmaci?

Sebbene la tradizionale strategia di riutilizzo dei farmaci possa accelerare l'applicazione clinica di nuovi farmaci sfruttando i dati di sicurezza ed efficacia dei farmaci esistenti, questo metodo è spesso accidentale e opportunistico, ed è difficile risolvere sistematicamente i problemi di sviluppo dei farmaci per le malattie rare.

In questo contesto è nato TxGNN, che ha introdotto innovazioni rivoluzionarie nel riutilizzo dei farmaci, dimostrando in particolare un grande potenziale nella scoperta di farmaci per le malattie rare.

TxGNN è un modello basato su una rete neurale grafica (GNN) specificamente per il riutilizzo di farmaci a dose zero. A differenza dei metodi tradizionali, TxGNN non si limita alle relazioni note tra farmaci esistenti e malattie. Invece, incorpora le complesse relazioni tra malattie e farmaci in uno spazio di rappresentazione latente addestrando un grafico della conoscenza medica (KG), riuscendo così a prevedere potenziali farmaci terapeutici per una determinata malattia. Il knowledge graph contiene concetti medici quali 17.080 malattie, 7.957 farmaci e 27.671 proteine, fornendo una ricca base di dati per l'addestramento di TxGNN.

Figura | TxGNN è un modello basato su grafici per il riutilizzo dei farmaci, in grado di identificare farmaci candidati per malattie con opzioni di trattamento limitate e dati molecolari limitati. (Fonte: questo articolo)

In molteplici esperimenti, TxGNN ha dimostrato la sua forte capacità predittiva. Rispetto agli 8 metodi esistenti, TxGNN mostra vantaggi significativi nell'ambiente zero-shot. Secondo i dati sperimentali riportati nel documento, TxGNN ha migliorato l'accuratezza della previsione dell'indicazione del farmaco del 19% e la previsione degli effetti collaterali del 23,9%.

Questi risultati dimostrano che TxGNN non solo è in grado di trovare nuovi potenziali utilizzi per i trattamenti esistenti, ma può anche predire con precisione possibili farmaci quando non sono noti trattamenti. Ciò è di grande importanza per il trattamento delle malattie rare, poiché per oltre il 95% di esse non esistono farmaci terapeutici e TxGNN crea la possibilità di scoprire rapidamente nuovi farmaci per queste malattie.

Figura | TxGNN è in grado di prevedere con precisione le indicazioni e le controindicazioni dei farmaci. (Fonte: questo articolo)

Oltre alle sue capacità predittive, TxGNN dispone anche di un modulo esplicativo appositamente progettato per aiutare medici e ricercatori a comprendere la logica predittiva del modello. Questo modulo mostra le potenziali connessioni tra farmaci e malattie attraverso percorsi multi-hop.

Il modulo esplicativo non si limita a indicare perché un farmaco potrebbe essere efficace per una specifica malattia, ma fornisce anche un percorso conoscitivo medico dettagliato, consentendo agli utenti di risalire alle basi scientifiche alla base della previsione. Grazie a questa caratteristica, TxGNN supera il "problema della scatola nera" di molti modelli di intelligenza artificiale nelle applicazioni mediche e migliora notevolmente l'interpretabilità e l'affidabilità del modello.

Figura | Sviluppo, visualizzazione e valutazione di percorsi spiegabili multi-hop in TxGNN Explainer. (Fonte: questo articolo)

Il team di ricerca ha verificato l'applicazione pratica di TxGNN nella scoperta di farmaci per le malattie rare e ha ottenuto risultati incoraggianti. Negli esperimenti, molte previsioni di TxGNN sono altamente coerenti con l'effettivo utilizzo clinico di farmaci da banco.

Ad esempio, analizzando i dati delle cartelle cliniche elettroniche di 1.272.085 pazienti, i ricercatori hanno scoperto che i farmaci più frequentemente previsti da TxGNN venivano utilizzati in questi gruppi di pazienti con una frequenza significativamente maggiore rispetto alle previsioni casuali. L'analisi del log(OR) (rapporto di co-occorrenza) ha mostrato che l'associazione tra uso di farmaci e malattie rare prevista da TxGNN era superiore del 107% rispetto alla previsione del farmaco di base, dimostrando ulteriormente l'efficacia del modello in contesti clinici reali.

Figura | Valutazione dei risultati predittivi di TxGNN in un grande sistema medico. (Fonte: questo articolo)

Un esempio specifico è che TxGNN ha raccomandato il deferasirox come il candidato più promettente per prevedere potenziali trattamenti per la malattia di Wilson, una rara malattia che causa un metabolismo anomalo del rame. Questo farmaco è stato utilizzato clinicamente per trattare le malattie da sovraccarico di ferro e TxGNN ha dimostrato attraverso il suo modulo esplicativo che il deferiprone può avere un effetto positivo sul trattamento della malattia di Wilson attraverso percorsi metabolici. Questa previsione è coerente anche con i risultati di ricerche pertinenti presenti nella letteratura medica, dimostrando la razionalità scientifica del modello.

Nell'attuale contesto di lunghi e costosi cicli di sviluppo dei farmaci, TxGNN fornisce una soluzione sistematica per il riutilizzo dei farmaci esistenti.

In futuro, con il continuo miglioramento di questa tecnologia, si prevede che diventerà una forza trainante fondamentale per accelerare lo sviluppo dei farmaci, in particolare rendendoli disponibili ai pazienti affetti da malattie rare.

L'intelligenza artificiale ha un grande potenziale in medicina

Oltre al campo delle malattie rare, l'intelligenza artificiale è ampiamente utilizzata anche in altri campi della medicina.

Nel settembre 2019, la società di ricerca di farmaci basati sull'intelligenza artificiale Insilico Medicine ha sviluppato una piattaforma di intelligenza artificiale generativa chiamata GENTRL, che è stata utilizzata per progettare nuovi farmaci per il trattamento di malattie come la fibrosi e il cancro. Utilizzando GENTRL, i ricercatori hanno scoperto un potente inibitore del recettore 1 del dominio della discoidina (DDR1) in soli 21 giorni, riducendo notevolmente i tempi di scoperta del farmaco.

Nel 2022, i ricercatori dell'Institute of Cancer Research di Londra hanno creato un prototipo di test in grado di prevedere entro 24-48 ore quali combinazioni di farmaci hanno maggiori probabilità di essere efficaci per i pazienti oncologici. Utilizzano l'intelligenza artificiale per analizzare dati su larga scala provenienti da campioni tumorali, in modo da prevedere in modo più accurato rispetto ai metodi attuali come i pazienti risponderanno ai farmaci.

Nel 2023, l'azienda statunitense Nuance Communications ha lanciato una nuova applicazione software ad attivazione vocale basata sull'intelligenza artificiale: Dragon Ambient Experience (DAX) Express. Il programma mira a contribuire in modo efficace a ridurre l'onere amministrativo per i medici sfruttando la tecnologia di elaborazione del linguaggio naturale per facilitare la trascrizione in tempo reale delle cartelle cliniche durante le visite dei pazienti.

Nel 2024, un team di ricerca della Harvard Medical School e i suoi collaboratori hanno proposto il modello Clinical Histopathology Imaging Evaluation Foundation (CHIEF) per estrarre caratteristiche di imaging patologico per una valutazione sistematica del cancro. Su 15 set di dati che coprono 11 tipi di cancro, CHIEF ha raggiunto una precisione di quasi il 94% nel rilevamento del cancro, superando significativamente i precedenti metodi di intelligenza artificiale.

Non c'è dubbio che l'intelligenza artificiale abbia il potenziale per migliorare la rilevazione delle malattie rare, il riutilizzo dei farmaci e l'ottimizzazione dei processi clinici, il che ci aiuterà a combattere meglio le malattie.

Autore: Ruan Wenyun