La sperimentazione clinica passa (inevitabilmente) anche per l’intelligenza artificiale. Un ambito nel quale Google ha lanciato recentemente uno strumento di AI “open source” – dunque, aperto a contributi esterni – per velocizzare e ottimizzare l’intero iter. Addestrato in modo specifico per il settore del Pharma, TxGemma promette di comprendere e predire le proprietà dei farmaci durante tutto il processo di sviluppo, individuando i target più promettenti e migliorando la precisione delle previsioni in aree specifiche (è il caso della farmacovigilanza in sperimentazione clinica).
Tra gli aspetti più interessanti del nuovo modello di AI c’è l’opportunità di plasmare lo strumento su dati specifici, permettendo a team di ricerca e aziende di affinare le previsioni a breve e lungo termine. E di ancorare il più possibile l’innovativa tecnologia alle proprie esigenze. All’atto pratico, il colosso di Mountain View ha messo a disposizione un notebook su Colab – strumento della suite Google per scrivere il linguaggio di programmazione Python direttamente dal proprio browser – affinché gli studiosi possano adattare TxGemma ai propri dati. Un circolo virtuoso, dunque, che potrebbe accelerare ulteriormente lo sviluppo di terapie salvavita.
Spiega Shekoofeh Azizi, staff research scientist di Google DeepMind (l’azienda britannica del gruppo Alphabet, casa madre di Google, si occupa di programmi e ricerche ad ampio spettro: dalla robotica alle neuroscienze ai modelli di machine learning): “Il 90% delle molecole testate non supera la prima fase di sperimentazione. TxGemma può ridurre potenzialmente i tempi di ricerca e i costi legati alla produzione tradizionale”. Quindi, in rimando al modello “open source”, Azizi puntualizza: “È progettato per essere ulteriormente migliorato e i ricercatori possono perfezionarlo con i loro dati per specifici casi d’uso di sviluppo terapeutico”.
Apprendimento supervisionato
TxGemma è stato addestrato su 7 milioni di esempi di dati terapeutici, ed è in grado di affrontare più compiti. Il nuovo modello di AI può classificare le molecole, ad esempio stabilendo se sono in grado di attraversare la barriera ematoencefalica – che regola selettivamente il passaggio sanguigno di sostanze chimiche da e verso il cervello, tutelando il sistema nervoso da intossicazioni e avvelenamenti –, realizzare previsioni sull’affinità di legame di un farmaco con un bersaglio molecolare, generare nuove supposizioni in merito a possibili combinazioni chimiche e reazioni.
Le sue principali varianti includono “TxGemma-Chat” – che restituisce una maggiore capacità di confronto e spiegazione, consentendo ai ricercatori di comprendere meglio le sue previsioni – e “TxGemma-Predict”, un’opzione ottimizzata per esaminare dati terapeutici e prevedere effetti di molecole e farmaci. Ad ogni modo, TxGemma non costituisce una novità “assoluta”: è infatti l’erede di Tx-LLM, sviluppato a partire da PaLM-2 e lanciato da Google lo scorso ottobre. Si tratta di un modello linguistico di grandi dimensioni (Large Language Model) progettato per prevedere le proprietà di un’ampia gamma di entità biologiche. Al suo interno, ingloba il software Agentic-Tx, basato su Gemini 2.0 Pro, già approntato per superare due importanti limiti dell’AI nella ricerca farmaceutica: la dipendenza da dati non aggiornati e la criticità nel ragionamento complesso su più passaggi.
Diagnostica molecolare
Nel frattempo Alphabet amplia i propri orizzonti, annunciando la volontà di individuare – attraverso la società “Isomorphic Labs”, fondata nel 2021 – nuove molecole per la creazione di farmaci. A capo di questa nuova avventura c’è Demis Hassabis, il Ceo di Google DeepMind (quest’ultima ha sviluppato la piattaforma AlphaFold) tra i vincitori nel 2024 – con lui David Baker e John M. Jumper – del Nobel per la chimica per l’uso dell’intelligenza artificiale nello studio delle proteine nonché responsabile degli sforzi di sviluppo dell’IA del colosso Usa.
Con sede a Londra, Isomorphic Labs realizzerà modelli predittivi capaci di simulare l’interazione di nuove molecole con l’organismo umano, facendo leva sul know-how di DeepMind sulle strutture proteiche. L’obiettivo è duplice: individuare potenziali bersagli biologici e perfezionare la progettazione di nuove molecole farmacologiche. È curioso notare come la società con headquarter nel Regno Unito – che ha raccolto 600 milioni di dollari nel suo primo round di finanziamento esterno – potrebbe non focalizzarsi solo sulla produzione di farmaci, ma dedicarsi anche a commercializzare i propri modelli predittivi, stringendo partnership con solide aziende farmaceutiche.
