Il seguente è un testo che riassume i principali punti contenuti all'interno di un articolo di: cnbc.com (link).
I punti sono stati generati inizialmente tramite intelligenza artificiale e poi revisionati e corretti a mano. L'obiettivo è quello di dare una panoramica più chiara anche ai lettori che non conoscono bene la lingua inglese o che vogliono una lettura svelta.
Articolo originale: https://www.cnbc.com/2024/05/05/within-a-few-years-generative-ai-will-design-new-drugs-on-its-own.html
Concetti chiave
- Gli esperimenti: Diogo Rau, Chief Information and Digital Officer di Eli Lilly, ha sperimentato l'IA generativa per accelerare la scoperta di molecole, generando molecole in cinque minuti che normalmente richiederebbero un anno per essere sintetizzate in laboratori tradizionali.
- I progressi: Nonostante lo scetticismo iniziale, gli scienziati sono stati incuriositi dalle molecole generate dall'IA che avevano "strutture dall'aspetto strano". Come ha condiviso Rau, gli scienziati hanno commentato: "È interessante; non avevamo pensato di progettare una molecola in questo modo".
- Il potenziale: Rau ha riconosciuto che l'IA potrebbe "stimolare ancora più creatività" nello sviluppo della medicina, aprendo nuovi percorsi che gli esseri umani non avevano precedentemente esplorato.
- Crescita rapida: La traiettoria dell'IA nella sanità sta portando verso medicinali generati completamente dall'IA. Kimberly Powell, VP of Healthcare presso Nvidia, ha citato l'"AlphaFold moment" di DeepMind di Google nel 2021 come fondamentale per addestrare modelli transformer per la biologia.
- Digitalizzazione: Powell ha sottolineato i progressi nella digitalizzazione della biologia su "scale e risoluzioni senza precedenti," consentendo all'IA di analizzare milioni di cellule e composti chimici per generare modelli innovativi di farmaci.
- L'impatto: Powell ha spiegato che i modelli di IA e i supercomputer possono ora "rappresentare il mondo dei farmaci digitalmente". I metodi tradizionali di scoperta dei farmaci (senza IA) hanno sempre avuto un tasso di fallimento del 90%.
- Accelerare lo sviluppo: L'IA accelera il processo di scoperta dei farmaci, riducendo i tempi da anni a mesi e aumentando i tassi di successo, come evidenziato da studi su Nature e dai risultati di Amgen.
- Nuovi obiettivi: Powell ha menzionato il potenziale dell'IA generativa di "allucinare" nuovi obiettivi farmacologici, aprendo possibilità che vanno oltre le proteine tradizionali ed esplorando nuovi percorsi.
- Spettro di lavoro: L'IA può lavorare con proteine inesistenti nei modelli, esplorando un numero "essenzialmente infinito" di proteine che possono fungere da terapie, ha notato Powell.
- Migliorare i farmaci: UT Austin sta utilizzando l'IA per i farmaci a base di proteine, portando a migliori design e modifiche. Le proteine ingegnerizzate mostrano un miglioramento del rendimento di sette volte.
- La sanità: Nvidia ha rilasciato "microservizi" per l'IA nella sanità, consentendo il rapido screening dei composti farmacologici e semplificando l'uso di AlphaFold-2 di DeepMind per la modellazione delle proteine.
- Facilità d'uso: Powell ha menzionato che gli strumenti di Nvidia consentono agli utenti di "inserire una sequenza di aminoacidi per far uscire la struttura effettiva", trasformando processi complessi in risultati quasi istantanei.
- Trial clinici: Powell ha sottolineato che i farmaci progettati con l'IA devono ancora dimostrarsi nei trial clinici, come addestrare auto a guida autonoma rinforzando i modelli con dati reali.
- Modelli: Rispetto ad altri modelli di IA nel multi-modal e nel natural language processing, i modelli biologici sono ancora "agli inizi", operando nell'ordine delle decine di miliardi mentre altri campi lavorano con modelli nei trilioni.
