L'IA nella scoperta di farmaci affronta sfide di qualità e bias dei dati

L'alto costo e i lunghi tempi dello sviluppo di farmaci stanno spingendo le aziende farmaceutiche ad adottare l'intelligenza artificiale (IA) per migliorare i tassi di successo e ridurre i rischi. L'IA viene utilizzata per progettare candidati farmaci da zero e prevedere le loro interazioni con i bersagli delle malattie, sostituendo lo screening fisico tradizionale di vaste librerie molecolari. Questo cambiamento consente alle aziende di identificare composti promettenti più rapidamente ed eliminare candidati di bassa qualità prima dei test di laboratorio, risparmiando tempo e risorse.

Tuttavia, i candidati generati dall'IA richiedono ancora una validazione in laboratorio perché i modelli attuali non possono prevedere in modo affidabile la cinetica o la sviluppabilità. Ciò ha aumentato la pressione sui team di laboratorio, che devono testare e caratterizzare un volume crescente di composti diversi generati dall'IA. I flussi di lavoro di screening tradizionali, progettati per risultati binari sì o no, faticano a fornire i dati dettagliati necessari per questi candidati complessi.

Una sfida importante è la qualità e la completezza dei dati di addestramento. Molti modelli di IA si basano su set di dati pubblici che mancano di struttura, etichettatura e diversità, portando a un "muro di dati" in cui i modelli raggiungono conclusioni simili con rendimenti decrescenti. Il bias di pubblicazione aggrava questo problema, poiché la maggior parte dei dati pubblici si concentra su risultati positivi, mentre i dati negativi—esperimenti falliti e composti non leganti—rimangono non pubblicati. Paul Belcher, direttore della strategia di ricerca sulle proteine presso Cytiva, osserva che questo bias limita la capacità dei modelli di imparare dai fallimenti e fare previsioni affidabili.

L'integrità dei dati è un'altra preoccupazione. La fabbricazione di immagini, come i Western blot, è diventata più facile con l'IA generativa. La ricerca della microbiologa Elisabeth Bik ha rilevato che quasi il 4% degli articoli biomedici conteneva immagini duplicate o manipolate a partire dal 2016. Belcher avverte che i dati manipolati utilizzati per addestrare l'IA potrebbero avere conseguenze disastrose. Alcuni fornitori stanno sviluppando strumenti per verificare l'autenticità dei dati, come Image Integrity Checker di Cytiva, che utilizza algoritmi di hash sicuri per rilevare manomissioni. Le case editrici stanno mostrando interesse nell'adozione di tali strumenti come pratica standard.

Guardando al futuro, l'industria deve affrontare queste sfide relative ai dati per realizzare appieno il potenziale dell'IA nella scoperta di farmaci. Ciò include la creazione di set di dati più completi che includano risultati negativi, il miglioramento dell'etichettatura e della struttura dei dati e l'implementazione di strumenti di verifica per garantire l'integrità dei dati. Senza questi passaggi, i modelli di IA rischiano di perpetuare bias e produrre previsioni inaffidabili, minando la loro promessa di accelerare lo sviluppo di farmaci.