L'intelligenza artificiale accelera le simulazioni molecolari di 10.000 volte

Lo sviluppo di un nuovo farmaco richiede spesso più di dieci anni dall'idea iniziale al medicinale finito prima che raggiunga i pazienti. Gran parte dei costi e del tempo necessari si concentra nelle fasi iniziali, poiché è necessario effettuare una moltitudine di test per identificare i candidati più promettenti. Spesso sono necessari diversi studi in cui vengono vagliate migliaia di molecole, ma solo una piccola parte di esse passa alla fase successiva. 

Tradizionalmente, i movimenti delle molecole sono stati simulati utilizzando la cosiddetta dinamica molecolare, in cui i ricercatori calcolano le forze tra tutti gli atomi passo dopo passo e li spostano di pochissimo alla volta. Affinché i calcoli siano stabili, ogni passo deve essere estremamente breve, circa un femtosecondo (10⁻¹⁵ secondi). Poiché i processi di interesse per lo sviluppo di farmaci si svolgono su scale temporali molto più lunghe, sono necessari miliardi di passi, il che rende le simulazioni molto impegnative dal punto di vista computazionale.  

I grandi cambiamenti portati dall'IA 

L'uso dell'IA consente ora ai ricercatori di rilevare i cambiamenti molecolari senza dover eseguire calcoli numerici. L'apprendimento automatico può accelerare ogni fase del calcolo, mentre i modelli generativi possono essere utilizzati per generare direttamente strutture molecolari plausibili senza simularne il movimento.  

Un gruppo di ricercatori della Chalmers University of Technology e dell'Università di Göteborg, in Svezia, ha ora compiuto un ulteriore passo avanti sviluppando un nuovo modello di IA che, a lungo termine, potrebbe rendere i test per lo sviluppo di farmaci ancora più efficienti. Il nuovo modello è oltre 10.000 volte più veloce delle simulazioni convenzionali.  

"Ciò che distingue il nostro modello di IA è che apprende le dinamiche sottostanti su scale temporali più lunghe. Non solo fornisce informazioni sulle forme che assumono le molecole, ma anche sulla rapidità e sui percorsi attraverso cui avvengono queste transizioni molecolari. Per quanto ne sappiamo, questa è la prima volta che ciò viene fatto in un modo che funziona per molte molecole diverse", afferma Simon Olsson, responsabile della ricerca e professore associato presso il Dipartimento di Informatica e Ingegneria dell’Università di Tecnologia Chalmers e dell’Università di Göteborg. 

Sono state testate migliaia di molecole 

Lo studio ha esaminato oltre 12.500 molecole organiche, come quelle contenenti atomi di carbonio, azoto, idrogeno e ossigeno. Sono stati studiati anche oltre un migliaio di peptidi corti: molecole costituite da brevi catene di aminoacidi che formano le proteine. Il modello di IA ha appreso come si comportano tipicamente le molecole ed è stato quindi in grado di avanzare rapidamente nelle simulazioni. I risultati sono comunque coerenti con le leggi della fisica.  

"Addestriamo il modello utilizzando esempi simulati di come gli atomi in una molecola si muovono nel tempo. Sulla base di queste sequenze, il modello apprende le regole sottostanti che governano il movimento delle molecole e può quindi prevedere come si comporteranno le nuove molecole", afferma Simon Olsson. 

I ricercatori hanno confrontato i risultati e le conclusioni del modello con studi precedenti sull’evoluzione molecolare. 

«Abbiamo convalidato i risultati utilizzando estese simulazioni di post-elaborazione per corroborarli con algoritmi numerici standard. E sono coerenti tra loro», afferma Simon Olsson.  

È possibile prevedere i cambiamenti 

Sebbene il modello di IA non si basi su immagini reali, i ricercatori descrivono i risultati come un modo per passare da una scena all’altra in “film molecolari”, invece di guardare ogni fotogramma in sequenza. 

Il modello di IA costituisce la base per le previsioni computazionali che i ricercatori effettuano poi in laboratorio.  

«Lì misuriamo cose molto specifiche: le proprietà delle molecole, quanto sono “felici” di trovarsi in una particolare soluzione o se, ad esempio, vogliono attraversare una membrana per entrare in una cellula, ma questo è ancora un progetto per il futuro», afferma Simon Olsson. 

Uno dei principali punti di forza è che il modello può essere applicato a molecole che non ha mai incontrato durante il suo addestramento, poiché ha appreso regole generali che governano il movimento molecolare piuttosto che memorizzare singoli sistemi.  

«C'è un certo schema che il modello ci aiuta a identificare. Il modello di IA si basa su una serie di esempi, in cui osserva solo ciò che accade in un arco di tempo di decine di nanosecondi. Ciononostante, è in grado di prevedere le proprietà e i cambiamenti delle molecole che si verificano in un arco di tempo mille volte più lungo. Quindi, con l’aiuto dell’intelligenza artificiale, possiamo capire cosa potrebbe accadere nel “futuro molecolare”. È in grado di prevedere come cambiano le molecole anche se non ha mai visto il processo svolgersi”, afferma Simon Olsson.  

Di interesse per l’industria farmaceutica 

"Per poter prevedere i fenomeni fisici manifestati dalle molecole, dobbiamo comprendere la fisica alla base del comportamento del sistema. Credo che siamo tra i primi a dimostrarlo in senso generale e a mostrare che è possibile", afferma Juan Viguera Diez, dottorando industriale presso AstraZeneca, nel Dipartimento di Informatica e Ingegneria di Chalmers e dell'Università di Göteborg, nonché autore principale dell'articolo. 

I ricercatori stanno riscontrando un notevole interesse da parte dell’industria per simulazioni che riflettano più accuratamente la realtà e consentano di sviluppare nuovi farmaci più rapidamente. Poiché il nuovo modello di IA può accelerare le simulazioni molecolari, in cui è necessario testare un gran numero di potenziali molecole, il team di ricerca spera che questo rappresenti un passo importante verso uno sviluppo più efficiente dei farmaci.  

"A lungo termine, modelli di IA come il nostro potrebbero aiutare a identificare più rapidamente i farmaci candidati promettenti e migliorare l’accuratezza nelle fasi iniziali. Lo studio di ricerca mostra ciò che è attualmente possibile. Si spera che questo apra la strada allo sviluppo di tecniche più generali, che potrebbero in ultima analisi facilitare lo sviluppo di nuovi farmaci e nuove terapie e, in senso più ampio, migliorare anche la nostra comprensione delle malattie", afferma Juan Viguera Diez. 

Maggiori informazioni sul modello di IA 

Il modello di IA TITO (Transferable Implicit Transfer Operators) è un framework di modellazione generativa profonda che apprende le regole statistiche che governano il movimento molecolare direttamente dai dati di simulazione. Consente di prevedere come le configurazioni atomiche (il modo in cui gli atomi sono disposti e si relazionano tra loro spazialmente all’interno di una molecola) si evolvono su scale temporali molto più rapidamente rispetto alle simulazioni numeriche convenzionali. 

Il metodo è stato attualmente testato su piccoli sistemi molecolari in modelli di solvente semplificati e a una temperatura specifica. È ora in fase di ulteriore sviluppo per sistemi più complessi e realistici.