Contribuire a individuare nuovi possibili farmaci, compresi quelli antitumorali, in maniera più veloce, economica e accurata: questo lo scopo di MOViDA, il metodo – basato sull’intelligenza artificiale – sviluppato dall’Università Federico II di Napoli per migliorare così le previsioni sulle risposte ai farmaci da parte delle cellule in coltura.
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”, ha spiegato 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 scientifica “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 rariquelli 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”, ha commentato 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”, ha affermato Luigi Ferarro, primo autore dell’articolo. Sono soprattutto tre 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”, ha spiegato 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”, ha spiegato ancora 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.
