L’implementazione dell’AI generativa nei settori farmaceutico e medtech potrebbe valere tra i 60 e i 110 miliardi di dollari all’anno. Lo rivela un report di McKinsey intitolato “L’AI generativa nell’industria farmaceutica: Moving from hype to reality” che ha analizzato 63 casi di utilizzo dell’AI generativa nel settore delle scienze della vita, calcolando il potenziale impatto economico di ognuno. Secondo i ricercatori, i vantaggi più elevati si riscontrano per il settore commerciale (18-30 miliardi di dollari), la ricerca (15-28 miliardi di dollari) e lo sviluppo clinico (13-25 miliardi di dollari). A seguire vi sono imprese (8-16 miliardi di dollari), operations (4-7 miliardi di dollari) e medical affairs (3-5 miliardi di dollari).
Cosa fa l’AI-Gen
L’AI generativa (AI-Gen) si riferisce a un particolare tipo di intelligenza artificiale in grado di generare nuovi dati coerenti con le informazioni già in suo possesso. L’esempio probabilmente più conosciuto è quello di ChatGPT, un’AI in grado di creare testi straordinariamente simili a quelli scritti da un essere umano. Ne esistono anche altre versioni che creano immagini, musica, grafici e molto altro. Nel campo del drug development, gli algoritmi possono essere addestrati sulle caratteristiche chimico-fisiche e sulle forme 3D delle molecole, rendendoli in grado di generare molecole completamente nuove o prevedere il comportamento di quelle conosciute in specifici contesti.
Ad esempio è possibile ideare strutture molecolari che non sono state ancora sintetizzate, accelerando il processo di scoperta di nuovi farmaci, un approccio che permette di esplorare un ampio spazio chimico molto più rapidamente rispetto ai metodi tradizionali, identificando potenziali molecole con proprietà terapeutiche superiori o nuove modalità d’azione. Inoltre, l’AI può prevedere come le molecole si comporteranno in un contesto biologico, come il loro legame con specifici recettori, diventando uno strumento cruciale per valutare l’efficacia e la sicurezza di un farmaco. Un algoritmo può anche simulare interazioni molecolari e prevedere l’affinità di legame, la selezione e l’efficacia di una molecola, riducendo la necessità di sperimentazione iniziale su modelli animali o umani e minimizzando i costi e i tempi di sviluppo.
Secondo un’analisi del Boston Consulting Group, l’AI generativa potrebbe anche includere i dati non strutturati utilizzati dall’industria farmaceutica. Un obiettivo ambizioso, dato che l’accesso e la gestione di queste informazioni devono soddisfare molti requisiti normativi, particolarmente complessi quando si tratta della possibilità di utilizzare i dati generati per supportare l’approvazione normativa.
Criticità
In effetti, l’implementazione dell’AI generativa potrebbe rivelarsi un esercizio non così semplice per le aziende farmaceutiche, in quanto deve inserirsi all’interno di un’organizzazione già complessa e con i rigidi requisiti normativi tipici del ciclo di vita dei farmaci. Dall’analisi di McKinsey emerge l’importanza di uscire dal clima di hype che circonda l’AI generativa e capire esattamente cosa si può o non si può fare. La questione, infatti, è molto complessa e richiede competenze di vario genere (data scientist, ricercatori, medical affairs, funzioni legali, analisi di rischio e di business) che lavorino congiuntamente per impostare la soluzione più adatta a ciascuna azienda. La disponibilità di un’infrastruttura di dati adeguata è solo il primo passo: i sistemi di AI generativa non sono tutti uguali e il modello selezionato deve essere adattato alla complessità del caso specifico, concentrandosi sulle applicazioni chiave per evitare interruzioni dell’attività.
La governance dell’AI generativa deve anche riflettere i principi chiave stabiliti dall’UE per tutti i sistemi di intelligenza artificiale, ovvero “essere sicuri, trasparenti, tracciabili, non discriminatori e rispettosi dell’ambiente, nonché “supervisionati da persone, piuttosto che da altri sistemi automatici, per prevenire esiti dannosi”.
Casi concreti
Le prime applicazioni di intelligenza artificiale basate su algoritmi di deep learning sono state utilizzate, ad esempio, per prevedere la sequenza e la struttura di molecole biologiche complesse. Un caso emblematico è quello del database di strutture proteiche AlphaFold, che contiene oltre 200 milioni di previsioni di strutture proteiche disponibili gratuitamente per la comunità scientifica. Altri algoritmi di questo tipo includono ESMFold (Evolutionary scale modeling) e MoLeR di Microsoft, specificamente indirizzati alla progettazione di farmaci.
Una generazione più recente di intelligenza artificiale generativa comprende i MoLFormers UI di IBM, una famiglia di modelli di base addestrati su sostanze chimiche che possono dedurre la struttura delle molecole da rappresentazioni semplici. L’algoritmo di screening MoLFormer-XL, ad esempio, è stato addestrato su oltre 1,1 miliardi di molecole non etichettate provenienti dai dataset di PubChem e ZINC, ciascuna rappresentata secondo il sistema di notazione SMILES (Simplified molecular input line entry system). Come riportato da IBM, MoLFormer-XL è in grado di prevedere molteplici proprietà fisiche, biofisiche e fisiologiche (ad esempio, la capacità di attraversare la barriera emato-encefalica), e persino proprietà quantistiche.
L’approccio chiamato Mutual information machine (MIM) learning è quello utilizzato da NVIDIA per sviluppare i suoi algoritmi MolMIM, un autoencoder probabilistico per la scoperta di farmaci basati su small molcules. Il servizio cloud NVIDIA BioNeMo utilizza questi modelli per implementare una piattaforma di intelligenza artificiale generativa che, secondo quanto afferma l’azienda, dovrebbe generare molecole con tutte le proprietà e le caratteristiche necessarie per svolgere l’attività farmacologica desiderata.
Sull’onda delle possibilità offerte da questa tecnologia, sono nate molte startup dedicate alla creazione di piattaforme di intelligenza artificiale generativa (spesso end-to-end) per la scoperta di farmaci. Tra le principali citiamo la piattaforma Pharma.AI di Insilico Medicine, che viene utilizzata per costruire una pipeline completamente auto-generata comprendendente 31 programmi e 29 obiettivi. Il prodotto più avanzato in sviluppo mira alla malattia rara della fibrosi polmonare idiopatica ed è attualmente in Fase 2 negli Stati Uniti e in Cina. La piattaforma multimodale data-driven di Insilico, inClinico AI, si è dimostrata utile per calcolare la probabilità di successo dei singoli studi clinici, prevedere i risultati di Fase 2 a Fase 3 e riconoscere i punti deboli nel design dello studio.
Basata nel Regno Unito, Exscientia, fondata nel 2012, è una società specializzata in medicina di precisione guidata dall’intelligenza artificiale. Tra i suoi principali successi figura la creazione della prima piattaforma oncologica che ha guidato con successo la selezione dei trattamenti e migliorato gli esiti per i pazienti. Il prodotto più avanzato nella sua pipeline è GTAEXS617, un oncologico mirato a CDK7 nei tumori solidi avanzati.
