MOViDA, l’intelligenza artificiale al servizio della ricerca farmacologica

Contribuire a individuare nuovi possibili farmaci, compresi quelli antitumorali, in maniera più veloce, economica e accurata è una delle promesse dell’intelligenza artificiale. Una delle criticità da superare, però, è il fatto che “i modelli di apprendimento basati sul deep learning, una delle forme di intelligenza artificiale in grado di apprendere nel tempo, possono essere delle scatole nere, per cui è anche difficile capire come siano formulate le loro risposte” spiega Michele Ceccarelli, dell’Università degli studi Federico II di Napoli. Con il suo gruppo di ricerca ha sviluppato MOViDA, un metodo per aprire questa scatola nera e migliorare così le previsioni sulle risposte ai farmaci da parte delle cellule in coltura. In ogni ricerca di terapie innovative è infatti cruciale la fase degli esperimenti in vitro, ossia della somministrazione di potenziali farmaci a cellule in coltura. I risultati dello studio condotto da Ceccarelli e colleghi grazie al sostegno di AIRC sono stati pubblicati sulla rivista Bioinformatics.

La ricerca farmacologica oggi ha costi elevati e tempi molto lunghi, perché l’analisi della sensibilità dei nuovi principi attivi richiede che siano valutati in numerosissimi tipi di cellule in coltura, e poi in animali di laboratorio. Tra le migliaia di composti candidati, sono pochi e rari quelli che superano tutte le fasi della ricerca, comprese quelle cliniche nelle quali sono provati per la prima volta nei pazienti. “Anche gli esperimenti di laboratorio, e non solo quelli clinici, sono costosi, lunghi, sollevano questioni etiche, sono limitati dal numero di campioni disponibili e quindi dalla loro sostenibilità economica” commenta Michele Ceccarelli. In questo contesto, l’analisi al computer potrebbe aiutare a ridurre i test in laboratorio, selezionando in modo più rapido, economico e accurato i farmaci promettenti da portare avanti nelle successive fasi sperimentali.

In particolare MOViDA è progettato per elaborare grandi quantità di dati sulle cellule in coltura e sui farmaci, al fine di stimare la crescita di un particolare tipo di cellule dopo la somministrazione di un farmaco. Nel caso dei tumori, serve a individuare i principi attivi che possono contrastare la proliferazione delle cellule tumorali. Per il suo sviluppo, il gruppo di ricerca è partito dalle criticità che si erano presentate con un sistema simile di nome Drug Cell. “Nella previsione della sensibilità dei farmaci, MOViDA fa un importante passo avanti” afferma Luigi Ferarro, primo autore dell’articolo. Sono soprattutto 3 i motivi: MOViDA è più completo, perché permette di ottenere un profilo molto più dettagliato sia dei farmaci, sia delle cellule in coltura; è più accurato, poiché riduce la distorsione dei dati e permette di valutare anche l’effetto sinergico dei farmaci; è più trasparente, consentendo ai ricercatori di comprendere meglio le previsioni dell’algoritmo. “MOViDA combina una profilazione multi-omica delle cellule, che comprende le mutazioni, delezioni, amplificazioni del genoma e l’attività delle vie di segnalazione, con quella dei farmaci” spiega Luigi Ferraro. “Inoltre consente di affrontare lo sbilanciamento dei dati che avviene soprattutto quando sono presenti poche linee cellulari positive, ovvero sensibili a un farmaco, rispetto a quelle negative”.

A rendere MOViDA più trasparente è invece l’introduzione nel sistema del Visible Neural Network (VNN), il circuito che elabora i dati. “La VNN apre la scatola nera del modello” spiega Michele Ceccarelli. I ricercatori hanno infatti progettato la VNN perché rispecchiasse la Gene Ontology (GO), un sistema che annota i processi biologici in modo gerarchico, con termini dal più generico al più specifico. “In questo modo la VNN permette agli scienziati di capire quali aspetti della biologia cellulare stanno guidando le previsioni del modello, rendendolo più trasparente.”

Il gruppo di ricerca sta considerando l’opzione di implementare MOViDA nei processi iniziali della ricerca farmacologica, non prima però di aver condotto altri studi e analisi. Mantenendo alti standard di trasparenza e controllo del funzionamento degli algoritmi, questo sistema potrebbe rappresentare una risorsa importante per aumentare le probabilità di trovare nuove terapie.