Struttura delle proteine: il contributo dell’IA

Come abbiamo studiato a scuola, le proteine sono il cuore delle cellule, che a loro volta sono elementi base per la vita. Tuttavia, fino a poco tempo fa, le strutture proteiche erano difficili da comprendere a causa della loro forma tridimensionale e del cosiddetto“protein folding” o “ripiegatura delle proteine”, che consente interazioni ottimali tra gli aminoacidi. Il risultato finale di una struttura complessa come questa è simile a quello di un origami, realizzato con un filo di perline al posto della carta.

“Determinare la struttura di una proteina con gli esperimenti è un processo lento e impegnativo, tanto che, da quando è stata determinata la prima struttura proteica cinquant’anni fa, sono state effettuate solo alcune centinaia di migliaia di esperimenti”, spiega il dottor Chris Bahl, co-fondatore di AI Proteins, una piattaforma per la scoperta di nuovi farmaci. Potrebbe sembrare un numero elevato ai non addetti ai lavori, ma in realtà è minuscolo rispetto alle centinaia di milioni di possibili strutture disponibili.

Ma tutto è cambiato due anni fa con il rilascio di AlphaFold, sistema sviluppato da DeepMind, in collaborazione con il Laboratorio Europeo di Biologia Molecolare (EMBL):sfruttando l’Intelligenza Artificiale, AlphaFold è in grado di prevedere la struttura di una proteina dalla sua sequenza di aminoacidi a una velocità che supera di gran lunga le capacità umane.

Nello stesso anno Meta, la holding di Facebook, ha pubblicato un database che mostrava la forma prevista di ben 600 milioni di proteine provenienti da batteri, virus e microrganismi che non erano ancora stati identificati così approfonditamente. Il loro approccio ha reso pubbliche queste informazioni grazie a una specie di “completamento automatico” della proteina: attraverso un modello linguistico di grandi dimensioni (LLM), simile a quello di ChatGPT, gli esperti di Meta hanno ricostruito l’intero “testo proteico” da poche lettere o parole.

Una differenza fondamentale tra l’approccio di Meta e quello di AlphaFold sta proprio in questo modello linguistico, che non necessita di informazioni sulle sequenze di amminoacidi vicine o sugli allineamenti multipli di sequenze (MSA). Secondo i ricercatori, l’algoritmo non è accurato come il lavoro di AlphaFold, ma è più veloce e consente agli scienziati di prevedere le strutture in sole due settimane. L’ulteriore buona notizia di questi nuovi approcci è nella diffusione di queste nuove scoperte: AlphaFold è una risorsa open source, mentre Meta ha pubblicato online gratuitamente il codice utilizzato per creare il suo database.

Un’ulteriore conferma della validità della strada intrapresa ci arriva dalla previsione basata sui sistemi di Intelligenza Artificiale, che ha messo il turbo alla ricerca scientifica. Grazie alle nuove tecnologie, i biochimici dell'Università del Colorado sono stati in grado di determinare la struttura di una proteina batterica in 15 minuti, dopo averci provato per 10 anni, mentre gli scienziati dell'Università di Portsmouth stanno applicando il sistema di AlphaFold per sviluppare enzimi in grado di degradare la plastica.

Inoltre, un team del Karolinska Institute in Svezia ha utilizzato AlphaFold per determinare la struttura di una proteina che potrebbe bloccare le infezioni batteriche nel tratto urinario e nel sistema gastrointestinale. E i ricercatori dell’Università di Oxford stanno lavorando su alcuni vaccini contro la malaria che colpiscono ogni fase del ciclo di infezione del parassita, aiutando a combattere non solo la malattia,ma anche la successiva trasmissione. Va precisato che finora la malaria è sfuggita alla soluzione vaccinale proprio perchéha migliaia di proteine superficiali che la rendono difficile da colpire, ma AlphaFold ha superato le tecniche esistenti identificando le proprietà di una proteina chiave, nota come Pfs48/45, essenziale per lo sviluppo del parassita nell'intestino della zanzara che diffonde la malaria.

Nella ricerca farmaceutica, l’Intelligenza Artificiale predittiva può aumentare le probabilità di successo di nuovi farmaci. Ad esempio, le malattie neurodegenerative, tra cui il morbo di Alzheimer e il morbo di Parkinson, sono il risultato di un errato ripiegamento delle proteine. Questi, insieme ad altri moderni killer di massa come il diabete e il cancro, sono in gran parte il risultato non di batteri o virus, ma solo del malfunzionamento del nostro corpo.

Poiché la maggior parte dei farmaci agisce prendendo di mira specifiche proteine dell’organismo, l’accesso alle informazioni sulla struttura delle proteine mal ripiegate avrà effetti enormi sulla scoperta di nuovi farmaci e consentirà lo sviluppo di medicinali.

Tuttavia, non tutte le proteine legate alle malattie reagiscono ai farmaci. Alcune sono "undruggable", il che significa che non sono in grado di legarsi in modo forte ed efficace alle molecole dei farmaci. Anche in questo caso l’Intelligenza Artificiale può aiutare, ma questa volta concentrandosi sull’RNA. L’RNA rappresenta il passaggio fondamentale tra il DNA – la molecola che contiene il nostro codice genetico e il progetto per produrre le proteine essenziali per il funzionamento della vita – e la produzione effettiva di tali proteine.

Mirare all’RNA prima che vengano prodotte le proteine consentirebbe al farmaco di alterare la proteina stessa prima o durante la sua sintesi. Dai vaccini contro il COVID-19 ad alcuni farmaci antitumorali, le terapie a base di RNA hanno già portato grandi benefici a milioni di persone e la capacità di prevedere le forme dell’RNA in modo rapido e accurato aiuterà ad accelerare la comprensione delle molecole stesse e ad espanderne l’uso nell’assistenza sanitaria.

Sebbene i risultati sembrino promettenti, c’è ancora molto da fare, sia in termini di ricerca che in termini di regolamentazione. Il piano d'azione per l'innovazione nella sanità digitale della Food and Drug Administration americana è stato pubblicato nel 2017 con la speranza di accelerare il processo di approvazione dei prodotti sanitari digitali, seguito nel 2021 dai principi guida per l'uso dell'apprendimento automatico nei dispositivi medici.

Al momento non esistono indicazioni sull’uso specifico dell’IA nella produzione farmaceutica, sebbene la FDA abbia pubblicato un documento di discussione in cui condivide le proprie considerazioni per lo sviluppo di politiche nell’Intelligenza Artificiale.