Intelligenza Artificiale Tutto su AI e machine learning
Dopo che AlphaFold ha rivoluzionato la predizione della struttura delle proteine, Google DeepMind compie un passo ulteriore con AlphaProteo: un sistema AI che non si limita a predire la struttura di proteine esistenti, ma progetta nuove proteine da zero con proprietà specificamente ingegnerizzate. L’applicazione immediata riguarda la scoperta di farmaci: AlphaProteo è in grado di progettare proteine che si legano con alta specificità e affinità a target molecolari legati a malattie, una capacità che potrebbe comprimere significativamente i tempi e i costi della fase di lead discovery nella ricerca farmaceutica.
La differenza fondamentale tra AlphaFold e AlphaProteo
Per capire l’importanza di AlphaProteo è necessario distinguere due problemi fondamentali della biologia strutturale. Il problema della predizione strutturale (risolto da AlphaFold) risponde alla domanda: dato questo specifico gene, che forma tridimensionale avrà la proteina che produce? È un problema di decodifica: si parte dalla sequenza e si arriva alla struttura.
Il problema del design proteico, che AlphaProteo affronta, è il problema inverso: dato questo obiettivo funzionale (per esempio, legarsi a questa specifica tasca di questo recettore con questa affinità), quale sequenza proteica produce una molecola con quelle proprietà? È un problema di codifica che è molto più difficile e aveva resistito ai progressi dell’AI molto più a lungo del problema di predizione. Lo spazio di tutte le possibili sequenze proteiche è astronomicamente grande: una proteina di 100 aminoacidi ha 20^100 possibili sequenze, un numero incomparabilmente più grande del numero di atomi nell’universo osservabile.
AlphaProteo risolve questo problema usando un approccio di design diffusivo: impara la distribuzione delle strutture proteiche naturali e le loro proprietà funzionali, e poi genera nuove sequenze che, nella struttura 3D predetta, soddisfano i vincoli funzionali specificati. I risultati pubblicati da DeepMind mostrano che le proteine progettate da AlphaProteo hanno una tasso di successo nella validazione sperimentale significativamente superiore ai metodi computazionali precedenti.
Le implicazioni per la ricerca sui farmaci
Il percorso tradizionale dalla scoperta di un bersaglio molecolare a un candidato farmaco richiede anni di lavoro sperimentale: screening di milioni di composti, ottimizzazione iterativa di lead candidate, sintesi e testing biologico. La fase di lead discovery, in cui si cerca una molecola che si leghi al target in modo specifico e reversibile, è uno dei colli di bottiglia più costosi e lenti dell’intero processo.
AlphaProteo comprime questa fase in modo sostanziale per una classe specifica di molecole: le proteine terapeutiche. Invece di screenare migliaia di anticorpi o peptidi sperando di trovare qualcosa che si leghi al target, i ricercatori possono ora chiedere al sistema di progettare direttamente proteine con i requisiti di legame specificati. Il sistema genera decine o centinaia di candidati computazionali che possono essere sintetizzati e testati in laboratorio, riducendo il numero di esperimenti fisici necessari per trovare candidati promettenti.
DeepMind ha presentato risultati su target legati a oncologia, infezioni virali e processi infiammatori, mostrando che le proteine progettate da AlphaProteo raggiungono affinità di legame nell’ordine dei nanomolare, comparabili a quelle degli anticorpi sviluppati con metodi tradizionali. Si tratta di risultati preliminari che devono ancora essere validati in studi preclinici e clinici, ma che aprono una prospettiva concreta per l’uso dell’AI nella scoperta di farmaci. La ricerca pubblicata su questo argomento si inserisce nel quadro più ampio delle iniziative di DeepMind per portare l’AI nei laboratori scientifici.
Accesso alla tecnologia e prospettive commerciali
DeepMind ha reso disponibile AlphaProteo per richieste di collaborazione da parte di laboratori accademici e aziende farmaceutiche selezionate. L’accesso non è ancora completamente aperto come lo è stato AlphaFold (i cui modelli e database sono disponibili gratuitamente per la ricerca), probabilmente a causa del valore commerciale immediato della tecnologia nel contesto della scoperta di farmaci. Google ha anche investito significativamente in questa area attraverso Isomorphic Labs, la sua sussidiaria dedicata alla drug discovery AI.
Per le aziende farmaceutiche italiane e per i centri di ricerca universitari, la capacità di accedere a questi strumenti può fare la differenza nella competitività della ricerca sui farmaci. Il collegamento con il progresso discusso nell’articolo su AlphaFold 3 è diretto: le due tecnologie sono complementari e definiscono insieme un nuovo paradigma per la biologia computazionale.
I limiti attuali di AlphaProteo
AlphaProteo funziona bene per la progettazione di proteine leganti (binder), ma la sua applicabilità ad altri tipi di funzione proteica è ancora limitata. Progettare enzimi con attività catalitica specifica, proteine con proprietà di auto-assemblaggio controllato, o proteine che cambiano conformazione in risposta a segnali specifici sono problemi che rimangono aperti. Inoltre, il tasso di successo sperimentale, per quanto superiore ai metodi precedenti, è ancora lontano dalla perfezione: non tutte le proteine progettate computazionalmente funzionano come previsto in laboratorio.
Il processo di validazione sperimentale rimane essenziale e costoso: la sintesi e il testing biologico di candidati proteici richiedono infrastrutture di laboratorio significative. AlphaProteo riduce il numero di esperimenti necessari per trovare candidati promettenti, ma non li elimina.
Conclusioni
AlphaProteo rappresenta un salto qualitativo rispetto ad AlphaFold: passa dalla lettura alla scrittura del linguaggio proteico. Per la ricerca farmaceutica, è un acceleratore potenziale della fase di lead discovery; per la biologia sintetica, apre prospettive di materiali e biosensori con funzioni su misura. I tempi della medicina non sono quelli del software: i candidati farmaci generati da AlphaProteo dovranno attraversare anni di studi preclinici e clinici prima di diventare terapie disponibili. Ma la compressione del tempo e dei costi della fase computazionale iniziale è reale e avrà un impatto misurabile sulla pipeline della ricerca nei prossimi anni.
