Vaccini in tempi record: l’intelligenza artificiale dà il suo contributo alla scienza

La funzione di una proteina è determinata dalla sua forma 3D. Laguna Design/Science Photo Library

Lo sviluppo rapido di due vaccini anti Covid-19 altamente efficaci è stato possibile grazie alle tecnologie di IA e alla collaborazione innovativa tra i ricercatori di tutto il mondo, Svizzera compresa.

Dietro alle sfide etiche legate all’intelligenza artificiale (IA), si celano le opportunità di una tecnologia che potrebbe rivoluzionare il mondo della scienza e risolvere alcuni dei più complessi grattacapi della biologia moderna. Primo fra tutti: prevedere la struttura di proteine ignote per svelare i segreti delle cellule e delle malattie che le colpiscono. Di recente, le strutture proteiche sono salite agli onori della cronaca per via del loro ruolo centrale nello sviluppo dei nuovi vaccini anti Covid-19, come quello basato sull’RNA messaggero. 

Determinare la forma delle proteine sperimentalmente è un processo lungo e laborioso, che richiede mesi di ricerche e un elevato dispendio di risorse. Queste informazioni sono essenziali per studiare nuovi virus, comprenderne il comportamento e sviluppare vaccini efficaci. La capacità degli scienziati di prevedere le strutture delle proteine attraverso metodi di calcolo ha reso questo processo molto più veloce e accurato.

Grazie ai recenti progressi dell’intelligenza artificiale, è ora possibile prevedere le strutture tridimensionali di proteine bersaglio molto complesse con grande accuratezza. Un traguardo importante è stato raggiunto quando AlphaFold2, il sistema di IA creato dall’azienda londinese DeepMind (di proprietà di Google dal 2014), ha permesso di determinare rapidamente diverse strutture proteiche del SARS-CoV-2, un virus di cui fino a pochi mesi fa si avevano pochissime informazioni. Il lavoro incessante degli scienziati e la collaborazione a livello internazionale – con l’ausilio di tecnologie di IA all’avanguardia come quella di DeepMind – hanno consentito di reagire in tempi rapidi alla pandemia. Attualmente, ben 60 potenziali vaccini sono in fase di sviluppo clinico, di cui tre sono stati approvati da alcune autorità nazionali di regolamentazione per un uso su vasta scala, secondo l’Organizzazione mondiale della sanitàCollegamento esterno.

I ricercatori nel campo biomedico considerano questo momento un punto di svolta per la scienza. “È un risultato assolutamente incredibile”, commenta Torsten Schwede, vicepresidente per la ricerca presso l’Università di Basilea e capo del gruppo di ricerca presso l’Istituto svizzero di bioinformatica SIB, che ha sviluppato SWISS-MODEL, un server di modellizzazione della struttura proteica completamente automatizzato e utilizzato dai ricercatori di tutto il mondo. I risultati raggiunti da DeepMind sono stati possibili anche grazie al progresso degli ultimi dieci anni nel campo della biologia strutturale computazionale, di cui il sistema svizzero SWISS-MODEL è stato pioniere.  

“La condivisione aperta delle informazioni sul SARS-CoV-2 all’interno della comunità scientifica ha reso possibile lo sviluppo dei vaccini in tempi record”.

Torsten Schwede

Uomini e software

Perché le proteine sono al centro della scena in campo medico-scientifico? Piccole ma di fondamentale importanza, le proteine stanno alla base dei processi chimici e biologici delle cellule umane e di qualsiasi organismo vivente. Gli amminoacidi che le compongono si legano tra loro formando degli “origami” spontanei, che ne determinano la particolare struttura tridimensionale. Conoscere la forma delle proteine facilita notevolmente la ricerca biomedica nel campo, per esempio, delle malattie umane. È per questo che la comunità scientifica considera rivoluzionari i risultati raggiunti da DeepMind. La speranza è che questo traguardo possa tradursi nello sviluppo di nuove medicine e di trattamenti farmacologici avanzati.

SWISS-MODEL è stato il primo software al mondo capace di modellare in maniera del tutto autonoma le struttura tridimensionali delle proteine non ancora scoperte con il metodo sperimentale. Nel 1993, Manuel Peitsch, bioinformatico e fondatore di SWISS-MODEL, lanciò l’idea di utilizzare sistemi di simulazione al computer che non richiedessero l’intervento umano per ottenere informazioni strutturali sulle proteine e comprendere meglio le funzioni molecolari.

Ai tempi, questo progetto sembrava fantascientifico. Oggi, grazie a metodi sempre più sofisticati di comparazione delle strutture proteiche note con le sequenze di proteine sconosciute – la cosiddetta “modellizzazione per omologia” – i software hanno superato le capacità umane in termini di accuratezza e performance e sono utilizzati in tutto il mondo. Ogni anno, SWISS-MODEL processa più di un milione di richieste di modelli proteici senza la supervisione umana.

Il ”ballo” delle proteine

Le proteine sono oggetti flessibili. I movimenti sono spesso necessari per il loro funzionamento. Per confrontare un modello 3D di una proteina con una struttura di riferimento sperimentale, il modello deve essere “ruotato’’ fino a quando non c’è una sovrapposizione ottimale. Ma per gli oggetti flessibili, questa sovrapposizione è difficile da ottenere. Per risolvere questo problema, il team di SWISS-MODEL ha sviluppato un punteggio chiamato lDDT (Local Distance Difference Test), che valuta il grado di concordanza di una previsione rispetto alla struttura di riferimento, indipendentemente dai movimenti intramolecolari. Tali punteggi, che possono essere utilizzati senza la necessità di una supervisione umana, sono essenziali per lo sviluppo di metodi di modellazione proteica autonomi.

Realtà e fantascienza

Negli ultimi trent’anni, gli scienziati hanno cercato di derivare la caratteristica forma tridimensionale delle proteine a partire dalle loro sequenze di amminoacidi. In questo processo, conoscere le strutture sperimentali di proteine correlate rende la modellazione relativamente facile e precisa. Nei casi difficili, invece, l’assenza di informazioni strutturali su una data famiglia di proteine significa effettuare una previsione ex novo molto complicata e spesso inaccurata. Ma grazie a AlphaFold2, questo problema non esiste più. “Abbiamo visto che il metodo di AlphaFold2 sviluppato da DeepMind funziona sia per i casi facili che per quelli molto complessi. È una vera svolta, perché ora l’IA può realizzare qualcosa che nessun essere umano con conoscenze approfondite nel campo della modellazione delle proteine era riuscito a fare prima d’ora”, dice Schwede.

Il sistema IA di DeepMind, AlphaFold2, utilizza tecniche avanzate di machine learning, note come le reti neurali profonde, per prevedere le strutture delle proteine direttamente dalle loro sequenze genetiche. Per farlo, il sistema di intelligenza artificiale ha appreso le sequenze e le strutture di circa 100,000 proteine conosciute avvalendosi dei dati sperimentali messi a disposizione dalla comunità scientifica. Ora, è in grado di fare previsioni molto accurate di modelli 3D di qualsiasi proteina. I risultati straordinari raggiunti da DeepMind sono stati confermati dagli organizzatori dell’esperimento sulle strutture delle proteine CASPCollegamento esterno (vd. box), che hanno definito “senza precedenti” la capacità di calcolo e previsione di AlphaFold2.

CASP, AlphaFold2 e Covid-19

Il CASP (Critical Assessment of protein Structure Prediction) è un esperimento che ha luogo ogni due anni e valuta gli sviluppi nel campo della previsione delle strutture proteiche a livello internazionale. Durante il recente esperimento tenutosi nel 2020 (CASP14), l’accuratezza dei metodi di previsione è stata valutata su quasi un centinaio di target proteici. Le previsioni di AlphaFold2 hanno dimostrato di essere molto accurate anche nei casi difficili, come quello di una proteina SARS-CoV-2 precedentemente sconosciuta, ORF8. Il SARS-CoV-2 è composto da circa 30 diverse proteine, di cui una dozzina sono poco comprese.

La regola d’oro del progresso

Il valido supporto della comunità scientifica e lo scambio aperto di informazioni nel campo della biologia strutturale computazionale, a cui anche SWISS-MODEL ha contribuito, sono alcuni degli ingredienti che spiegano il successo di DeepMind. Secondo Torsten Schwede, la condivisione aperta dei metodi di calcolo e dei dati strutturali ha permesso a DeepMind di avere le informazioni necessarie per risolvere uno dei problemi più impegnativi della bioinformatica.

Lo scambio si è intensificato durante la pandemia, dimostrando l’importanza della collaborazione per raggiungere risultati significativi in tempi decisamente più brevi. “Abbiamo imparato molto durante questa pandemia. La condivisione aperta delle informazioni sul SARS-CoV-2 all’interno della comunità scientifica ha reso possibile lo sviluppo dei vaccini in tempi record”, aggiunge Schwede, facendo notare che i silos di dati possono essere estremamente controproducenti per la scienza.