I primi test clinici di farmaci progettati con l’aiuto dell’intelligenza artificiale potrebbero iniziare quest’anno, ha suggerito martedì il CEO di Google DeepMind, Demis Hassabis.

Parlando in un panel al World Economic Forum di Davos, Hassabis, che è anche a capo della spin-off di DeepMind dedicata alla scoperta di farmaci, Isomorphic Labs, ha dichiarato di aspettarsi che “alcuni farmaci progettati dall’IA entrino in sperimentazione clinica entro la fine dell’anno… Questo è il piano.”

Dal 2021, Isomorphic Labs ha cercato di accelerare lo sviluppo dei farmaci attraverso il machine learning. “In futuro si potrebbe immaginare una medicina personalizzata, ottimizzata magari nel giro di una notte da un sistema di intelligenza artificiale per adattarsi al metabolismo individuale,” ha aggiunto.

L’entusiasmo per l’IA è ovunque in questo momento, ma Hassabis e il suo collega John Jumper hanno guadagnato credibilità grazie al loro lavoro su AlphaFold, un sistema di deep learning in grado di prevedere le strutture delle proteine, che è valso loro un Premio Nobel.

Le aziende farmaceutiche guardano con interesse all’intelligenza artificiale perché ha il potenziale di far risparmiare tempo e denaro. Secondo un recente articolo pubblicato sulla rivista Nature Medicine, sviluppare con successo un nuovo farmaco e ottenerne l’approvazione può richiedere dai 12 ai 15 anni e costare circa 2,6 miliardi di dollari.

Molti farmaci non arrivano mai sul mercato: meno del 10% dei test clinici in cui i farmaci vengono somministrati agli esseri umani ha esito positivo. Qualsiasi tecnologia in grado di ridurre i costi, accelerare i tempi o aumentare i tassi di successo avrà un impatto significativo sui profitti delle aziende farmaceutiche.

I ricercatori ritengono che il machine learning possa migliorare e velocizzare diversi aspetti del processo di scoperta dei farmaci. Hassabis ritiene che potrebbero essere possibili enormi risparmi in termini di tempo e costi.

Tuttavia, un simile ottimismo va bilanciato con la consapevolezza che ottenere dati di alta qualità per addestrare i modelli di IA è una sfida, a causa delle normative sulla privacy, delle politiche di condivisione dei dati e dei costi di acquisizione.

Hassabis ritiene che queste difficoltà non siano insormontabili. “Si possono generare alcuni dati chiave per colmare le lacune dove i dati pubblici non sono disponibili,” ha detto.

Questo può essere fatto collaborando con organizzazioni di ricerca clinica o utilizzando dati sintetici, una tecnica su cui AlphaFold2 ha fatto grande affidamento. Tuttavia, come già discusso in passato, l’uso dei dati sintetici può presentare problemi.

“Bisogna essere molto attenti quando si utilizzano dati sintetici, assicurandosi che rappresentino correttamente la distribuzione reale e che non si finisca per addestrare il modello sui propri stessi errori,” ha avvertito Hassabis.