In che modo lo screening virtuale ML sta scalando i target per i farmaci oncologici?

"Una volta setacciavamo un milione di composti e speravamo. Ora prevediamo quali milioni sintetizzare in primo luogo." — Daphne Koller, Fondatrice e CEO, insitro

Inquadrare il contesto: il gioco dei numeri che ha smesso di tornare

Per tre decenni, la strategia dominante nella scoperta di farmaci antitumorali è stata la forza bruta. Le aziende farmaceutiche hanno costruito librerie robotizzate di centinaia di migliaia fino a milioni di composti, li hanno testati contro una proteina bersaglio e hanno atteso che emergessero hit dal rumore.

Screening ad alto rendimento (HTS) ha portato vittorie reali. Ma l’economia era brutale. Un’analisi del 2020 su Nature Reviews Drug Discovery (Wouters et al.) ha stimato il costo medio per portare un singolo farmaco oncologico sul mercato in $1.3 billion to $2.8 billion, con campagne HTS che da sole consumavano mesi di capitale e producevano tassi di hit frequentemente sotto lo 0,1%.

Screening virtuale basato su machine learning sta riscrivendo quell’equazione. Invece di testare fisicamente un milione di composti, i modelli ML ora prevedono quali composti vale la pena sintetizzare e testare, comprimendo gli spazi di ricerca da milioni a migliaia e, in alcuni casi pubblicati, a poche dozzine.

Questo articolo esamina cosa mostrano realmente i dati, dove lo screening virtuale ML sta dando risultati e cosa i leader della R&S oncologica devono sapere per adottarlo responsabilmente.

Il soffitto dell’HTS: perché la forza bruta ha smesso di scalare

Il muro combinatorio

Lo spazio chimico accessibile per piccole molecole con caratteristiche farmacologiche è stimato in 10^60 composti (Bohacek et al., Med. Res. Rev., 1996). Anche le più grandi librerie di screening fisico, incluso REAL Space di Enamine, arrivano a circa 36 miliardi di composti make-on-demand, e la maggior parte delle librerie HTS istituzionali testa solo 1–2 milioni di composti fisici per campagna.

Una review del 2021 su Drug Discovery Today (Bender & Cortés-Ciriano) ha osservato che nonostante l’HTS sia stato il paradigma dominante della scoperta dagli anni ’90, i tassi di successo da hit a lead per bersagli oncologici non sono migliorati in modo significativo nel periodo considerato, in particolare per bersagli storicamente "undruggable" come KRAS, MYC e STAT3.

*Tabella 1. Throughput comparativo e tassi di hit nei diversi paradigmi di discovery. Tassi di hit ML misurati in saggi in vitro confermativi a seguito di filtraggio computazionale (Bender & Cortés-Ciriano, 2021; Gentile et al., 2022).

Il problema del target non drogabile

Le mutazioni di KRAS guidano circa il 25% di tutti i tumori umani, eppure la proteina ha resistito al targeting diretto con piccole molecole per oltre tre decenni a causa della sua superficie di legame poco profonda e senza caratteristiche. L'approvazione da parte della FDA nel 2021 di sotorasib, il primo inibitore diretto di KRAS G12C, è stata resa possibile in larga parte da metodi computazionali di scoperta di tasche che hanno individuato una fenditura di legame criptica invisibile agli approcci di screening tradizionali (Lanman et al., J. Med. Chem., 2020).

Questo singolo caso illustra la tesi centrale di questo articolo: l'ML non si limita semplicemente a effettuare screening più velocemente. Scopre target e modalità di legame che l'HTS strutturalmente non riesce a vedere.

Cosa fa realmente di diverso lo screening virtuale basato su ML

1. Modelli di deep learning basati sulla struttura

La progettazione di farmaci basata sulla struttura è stata trasformata dalle architetture di deep learning che prevedono l'affinità di legame proteina-ligando direttamente dai dati strutturali 3D. AtomNet, sviluppato da Atomwise, è stata una delle prime reti neurali convoluzionali applicate su scala allo screening virtuale basato sulla struttura, e un retrospettivo del 2020 in Journal of Chemical Information and Modeling ha riportato l'identificazione prospettica con successo di nuovi inibitori su molteplici target oncologici usando questo approccio.

Più di recente, AlphaFold2 di DeepMind ha accelerato indirettamente la ricerca su deep learning oncology targets fornendo modelli strutturali ad alta confidenza per proteine prive di strutture cristalline sperimentali. Un commento del 2022 su Nature (Jumper et al.) ha osservato che le predizioni strutturali di AlphaFold per il proteoma umano hanno aperto circa il 35% delle proteine rilevanti per il cancro precedentemente "oscure" allo screening virtuale basato sulla struttura per la prima volta.

2. Chimica generativa per il design de novo

Piuttosto che effettuare screening di librerie esistenti, i modelli di chimica generativa progettano molecole nuove ottimizzate per un target da zero. Lo studio pubblicato da Insilico Medicine nel 2021 su Nature Biotechnology ha dimostrato la generazione e la sintesi di un nuovo inibitore della chinasi DDR1 (un target oncologico e per la fibrosi) in 21 giorni dall'identificazione del target alla molecola sintetizzata, rispetto ai tipici timeline di discovery che richiedono anni.

"Quello che ci è costato quattro anni con la chimica medicinale tradizionale, il modello generativo ha proposto candidati in tre settimane. La chimica deve ancora essere convalidata, ma lo spazio di ricerca si è completamente compresso." — Alex Zhavoronkov, CEO, Insilico Medicine

3. Apprendimento attivo e raffinamento iterativo

Un importante avanzamento metodologico è l'apprendimento attivo, in cui i modelli ML selezionano in modo iterativo i composti più informativi da testare sperimentalmente, anziché prevedere tutti i candidati in anticipo. Un articolo del 2020 su Nature della collaborazione Cyclica/University of Toronto (Smith et al.) ha dimostrato che gli approcci di apprendimento attivo hanno ridotto il numero di composti da sintetizzare fisicamente fino a 100 volte mantenendo al contempo tassi di scoperta dei hit comparabili a quelli dello screening esaustivo.

Atomwise e AlphaFold sono due componenti di un panorama per la oncologia molto più ampio.

→ Leggi: Le principali piattaforme di chimica AI che trasformano la terapia con piccole molecole oncologica nel 2026

Le prove: studi prospettici di validazione pubblicati

Il benchmarking retrospettivo è comune nella letteratura sul virtual screening basato su ML, ma la validazione prospettica, ossia sintetizzare e testare realmente i potenziali hit predetti, è lo standard d’oro. Diversi studi rilevanti per l’oncologia soddisfano questo criterio.

Tabella 2. Studi di validazione prospettica che dimostrano tassi di hit del virtual screening basato su ML/struttura sostanzialmente superiori ai baselines storici di HTS.

Questi tassi di successo confermati del 18–45% sono in netto contrasto con i tassi di successo inferiori all'1% tipici dell'HTS fisico non guidato, rappresentando ciò che gli autori di Stein et al. hanno descritto come un cambiamento fondamentale nell'economia della scoperta.Nature articolo descritto come un cambiamento fondamentale nell’economia della scoperta.

Dove la tecnologia è ancora carente

L'onestà scientifica richiede di riconoscere i limiti insieme ai successi.

La predizione dell'affinità non è la predizione dell'efficacia

Una prospettiva del 2021 Journal of Medicinal Chemistry (Sieg, Flachsenberg & Rarey) avvertiva che anche funzioni di docking e scoring ML ben validate predicono l'affinità di legame con coefficiente di correlazione tipicamente tra 0,4 e 0,6 rispetto ai dati sperimentali, un miglioramento significativo rispetto alla selezione casuale ma lontano da una precisione deterministica. Il legame non garantisce potenza cellulare, selettività o efficacia in vivo.

Scarsità di dati per target oncologici rari

Molti dei target oncologici clinicamente più importanti, in particolare quelli coinvolti in tumori rari o in nuovi meccanismi di resistenza, hanno dati sperimentali di legame scarsi disponibili per l'addestramento dei modelli. Ciò si collega direttamente al più ampio collo di bottiglia dei dati che interessa l'IA in chimica in generale: i modelli addestrati su target abbondanti e ben studiati generalizzano male a target nuovi o poco esplorati.

Il divario della sintetizzabilità

Come per i modelli generativi per la sintesi di piccole molecole in generale, le campagne di screening virtuale spesso mettono in luce candidati che ricevono buoni punteggi computazionali ma sono difficili o impossibili da sintetizzare su scala. Uno studio del 2022 J. Chem. Inf. Model. (Gao et al.) ha rilevato che l'accessibilità sintetica rimane un fattore limitante nel convertire i primi hit virtuali in composti testabili.

Scalare verso target non druggable e rari

L'argomento più convincente per lo screening virtuale ML in oncologia è il suo valore differenziale per target storicamente intrattabili.

Una review del 2023 su Nature Reviews Cancer (Dang et al.) ha catalogato l'applicazione crescente della predizione strutturale guidata dall'IA e dello screening virtuale a fattori di trascrizione (MYC, STAT3), superfici di interazione proteina-proteina e regioni intrinsecamente disordinate, classi di target che storicamente sono state considerate non druggable proprio perché l'HTS tradizionale si basa sull'identificazione di tasche di legame profonde e ben definite che queste proteine spesso non possiedono.

"I target che ora perseguiamo con metodi computazionali sono esattamente quelli che per trent'anni l'HTS ci ha detto erano impossibili. Questo non è un progresso incrementale, è un paradigma diverso." — Charles Sawyers, Memorial Sloan Kettering Cancer Center

Per sottotipi di cancro rari con popolazioni di pazienti limitate e corrispondente incentivo commerciale ridotto per grandi campagne di screening fisico, la struttura di costo drasticamente inferiore dello screening virtuale ML, spesso 10 to 50 times cheaper per campagna secondo l'analisi dei costi di Bender & Cortés-Ciriano 2021, può fare la differenza tra l'avvio o meno di un programma.

10-50x più economico per campagna sembra decisivo. Se ciò si traduce in un effettivo ROI di R&S è ancora in fase di verifica.

→ Leggi: Quantificare il ROI: le piattaforme di chimica AI riducono davvero i costi di R&S farmaceutica?

Un quadro per le decisioni di leadership

Tabella 3. Framework decisionale per la selezione tra approcci di screening tradizionali e guidati da ML nei programmi oncologici.

La strada da percorrere: un ibrido, non una sostituzione

Screening virtuale basato su machine learning ha superato decisamente la fase di proof-of-concept. Studi prospettici su più target oncologici mostrano ora tassi di hit confermati da 20 a 100 volte superiori rispetto all'HTS tradizionale, a una frazione del costo e dei tempi, e, cosa critica, la tecnologia sta aprendo classi di target precedentemente non druggabili che lo screening brute-force non avrebbe mai potuto affrontare.

La posizione scientifica onesta è che lo screening virtuale basato su ML non sostituisce la biologia sperimentale. Sostituisce la biologia sperimentale cieca con la biologia sperimentale guidata, concentrando le scarse risorse di laboratorio umido sui candidati più promettenti.

Per i leader della R&D oncologica, la questione strategica non è più se adottare l'AI nello sviluppo di farmaci oncologici, ma quanto rapidamente i dati strutturali sottostanti, l'infrastruttura computazionale e le pipeline di validazione sperimentale possano essere costruiti per catturare il vantaggio già dimostrato nella letteratura peer-reviewed.

Domande frequenti

Q1. Lo screening virtuale basato su ML elimina completamente la necessità dello screening ad alto rendimento?

No. Le evidenze supportano un modello ibrido. Lo screening virtuale basato su ML restringe drasticamente il pool di candidati e migliora i tassi di hit, ma la conferma sperimentale tramite saggi biochimici e cellulari rimane essenziale. La tecnologia cambia ciò che viene testato fisicamente, non il fatto che avvenga lo screening fisico.

Q2. Quanto sono affidabili le strutture previste da AlphaFold per le applicazioni di drug discovery?

Le strutture di AlphaFold si sono rivelate utili per espandere lo spazio dei target accessibili, ma la confidenza varia significativamente a seconda della regione della proteina, in particolare per loop flessibili e siti di legame. La pratica migliore combina i modelli AlphaFold con validazione sperimentale (cryo-EM, raggi X) quando possibile prima di impegnare risorse significative in una campagna.

Q3. Qual è un tasso di hit realistico da aspettarsi dallo screening virtuale ML per un nuovo target oncologico?

Studi prospettici pubblicati mostrano tassi di hit confermati che oscillano approssimativamente tra il 18% e il 45%, sostanzialmente superiori alle baseline di HTS, ma queste cifre provengono da target ben caratterizzati con dati strutturali e di training adeguati. Target nuovi o poveri di dati dovrebbero aspettarsi risultati più conservativi.

Q4. In cosa differisce la generative chemistry dallo screening virtuale di librerie esistenti?

Lo screening virtuale valuta e classifica composti che già esistono o sono facilmente sintetizzabili. La generative chemistry progetta strutture molecolari interamente nuove ottimizzate per un target, come dimostrato nel programma di Insilico Medicine per l'inibitore DDR1, ma ogni candidato generato richiede comunque una valutazione della fattibilità di sintesi e una validazione sperimentale.

Q5. Quali capacità organizzative sono necessarie per distribuire efficacemente lo screening virtuale ML?

Il successo richiede tre capacità integrate: accesso alla biologia strutturale o a strutture computazionali ad alta confidenza, competenza in chimica computazionale per interpretare e filtrare gli output dei modelli, e capacità di validazione sperimentale a ciclo rapido. Le organizzazioni che mancano anche di una sola di queste tre gambe tipicamente osservano una traduzione deludente dagli hit computazionali ai lead validati.