Può l'IA progettare un composto farmaceutico che si lega a un bersaglio proteico specifico senza dati sperimentali precedenti ?

Tradizionalmente, la scoperta di farmaci si basa su estesi esperimenti di laboratorio e test iterativi per identificare composti validi. Recenti modelli di intelligenza artificiale, come quelli che utilizzano approcci generativi basati sulla diffusione, possono ora proporre nuove strutture molecolari mirate a specifici bersagli biologici. Questa capacità accelera le fasi iniziali della ricerca farmaceutica e riduce la dipendenza dallo screening per forza bruta.

L'IA può proporre nuovi composti simili a farmaci che si legano a un bersaglio proteico specificato anche quando non esistono dati sperimentali precedenti, utilizzando metodi di deep learning basati sulla struttura come RFdiffusion o modelli di diffusione addestrati su complessi proteina-ligando per generare molecole chimicamente plausibili e punteggi di docking senza feedback da laboratorio umido. Questi modelli generativi apprendono le regole del legame molecolare da grandi database strutturali e propongono candidati che si adattano alla tasca di legame del bersaglio, sebbene i loro disegni richiedano comunque una validazione biochimica successiva per confermare affinità, selettività e proprietà simili a farmaci. I sistemi più recenti integrano ricerca evolutiva o apprendimento per rinforzo per perfezionare potenza e profili ADMET, aumentando la frazione di risultati sintetizzabili e ad alto punteggio che possono entrare nella fase di test sperimentale. Poiché non è strettamente necessaria una struttura 3D, anche modelli basati su sequenza come le previsioni di tasche informate da AlphaFold possono guidare il disegno dei ligandi quando una struttura sperimentale non è disponibile.

— Aggiornato il 12 maggio 2026 · Fonte: Nature — https://www.nature.com/articles/s41586-023-06419-4