AlphaFold, perché è così importante questa scoperta, quali malattie si potrebbero curare

Questa scoperta, realizzata attraverso la simulazione di modelli 3D delle proteine, potrebbe, ad esempio, aprire straordinarie possibilità in termini di sviluppo di nuovi farmaci specifici per le singole patologie. L’algoritmo di deep learning AlphaFold è in grado di prevedere in poche ore, partendo da un database di 170mila strutture proteiche note, nuove strutture proteiche e la loro evoluzione a livello atomico con una precisione che le analisi cristallografiche raggiungono in anni di lavoro. [...]
Domenico Marino

Università degli Studi Mediterranea di Reggio Calabria

Alphafold
  1. Home
  2. Intelligenza Artificiale
  3. AlphaFold, perché è così importante questa scoperta, quali malattie si potrebbero curare

Qualche settimana fa, Deep Mind, società che si occupa di applicazioni avanzate dell’intelligenza artificiale, ha annunciato di essere riuscita, attraverso un algoritmo denominato AlphaFold, a ottenere il piegamento delle proteine (proteine folding); un problema considerato quasi irresolubile nella biologia e nella biochimica. Questo sviluppo, secondo alcuni, avrebbe fatto compiere un progresso all’umanità che può essere stimato in termini di tempo in due o tre decenni e come ovvio ha suscitato molto interesse e molta agitazione fra i ricercatori di tutto il mondo.

Perché è importante questa scoperta

Questa scoperta, realizzata attraverso la simulazione di modelli 3D delle proteine, potrebbe, ad esempio, aprire straordinarie possibilità in termini di sviluppo di nuovi farmaci specifici per le singole patologie e anche di innovativi metodi per lo smaltimento dei rifiuti.

L’algoritmo di deep learning AlphaFold è in grado di prevedere in poche ore, partendo da un database di 170mila strutture proteiche note, nuove strutture proteiche e la loro evoluzione a livello atomico con una precisione che oggi può essere raggiunta con sofisticate analisi cristallografiche. Finora, lo studio cristallografico di una proteina necessitava di molti anni di lavoro di un team di ricercatori.

Occorre notare che le malattie che derivano da errori proteici stanno progressivamente aumentando la loro incidenza per tutta una serie di fattori. L’Alzheimer è forse quella più diffusa e più nota, ma vi è tutta una categoria di malattie che in termini tecnici vengono chiamate da misfolding proteico. Sono malattie per le quali oggi la prognosi è in genere infausta e per le quali non esistono cure o esistono solo cure sintomatiche in grado di ritardare, ma non di curare la malattia.

La caratteristica comune a queste malattie è che le proteine alterate perdono la loro funzione originaria e si legano con altre proteine causando la morte cellulare. L’Alzheimer appartiene a un gruppo di patologie dette neurodegenerative, che hanno in comune la formazione di amiloidosi che portano alla morte dei neuroni. Fanno parte di questa categoria anche il Parkinson e la sindrome di Creutzfeld Jakob (conosciuta anche con il nome di variante umana del morbo della mucca pazza). Altre malattie sono legate al trasporto delle proteine: il diabete insipido, il morbo di Gaucher, la retinite pigmentosa, il morbo di Fabry. Inoltre, anche molti tumori sono causati da un errato piegamento delle proteine.

Per individuare un singolo errore di piegamento, finora occorrevano diversi anni di studio ed è questo il principale ostacolo che ha limitato lo sviluppo di nuovi farmaci per queste patologie. La possibilità, quindi, di poter ottenere modelli tridimensionali di proteine alterate in poche ore è un passo in avanti enorme nel drug design per queste gravissime patologie.

AlphaFold, la soluzione attraverso l’uso del deep learning

WHITEPAPER
Come e perchè la connettività svolge un ruolo importante nel collegare CX e MX?
Intelligenza Artificiale
Marketing

AlphaFold, attraverso il deep learning, è in grado di fare in poche ore il lavoro che un’equipe di biologi e biochimici svolgerebbe in tre/quattro anni e in più lo può fare per un gran numero di proteine, andando a ridurre gli errori. E le strade per trovare proteine in grado di avere come bersaglio le proteine alterate sarebbe tutta in discesa.

Ovviamente l’annuncio di Deep Mind, accanto a una parte di verità ha anche un contenuto propagandistico. C’è un primo problema, se si vuole, di natura epistemologica, che consiste nel dover accettare una previsione della struttura proteica senza aver a disposizione la verifica sperimentale. Possiamo, cioè, fidarci al 100% di quello che dice l’algoritmo anche in relazione al grado di accuratezza necessario? Sarebbe ipotizzabile provare a realizzare farmaci partendo da una simulazione del misfolding proteico?

Inoltre, ci troviamo di fronte a una simulazione della struttura proteica, ma non siamo con questa metodologia in grado di dire nulla sulle regole che governano il piegamento delle proteine. Secondo alcuni, infatti, AlphaFold sembrerebbe semplicemente eludere il problema della piegatura delle proteine, perché si può solo arrivare all’elaborazione di un modello finale, senza poter inferire nulla sulle regole di evoluzione. La realizzazione di farmaci specifici non può però, in linea di principio, essere basata solo sul modello di proteina piegata, perché la ricerca sta scoprendo che la forma delle proteine è solo un pezzo del ragionamento in quanto può portare a risultati non univoci perché proteine con strutture quasi uguali possono comportarsi chimicamente in maniera molto differente e strutture invece molto diverse possono comportarsi in maniera simile.

Video AlphaFold – Deep Mind

Conclusioni

Se quindi il risultato di AlphaFold è sicuramente interessante e innovativo, tuttavia va ridimensionato il suo impatto sulla possibilità di produrre a breve dei farmaci specifici per le malattie da misfolding proteico. L’intelligenza artificiale ci ha fornito uno strumento in più per operare nel campo di queste malattie, ma la creazione di farmaci efficaci è ancora lontana nel tempo. In realtà questo è un passo in avanti significativo, ma probabilmente non così rivoluzionario come qualcuno potrebbe aver inteso.

 

 

FacebookTwitterLinkedIn