Mai come in questo momento i vaccini sono al centro del dibattito pubblico. Tuttavia, sembra non esserci la possibilità che un vaccino, nel caso del Covid-19, venga progettato e utilizzato efficacemente sull’uomo prima del nuovo anno. In altre parole, non siamo mai stati così pronti nell’affrontare un virus, in termini di strumenti, anche se si continua a impiegare tempi considerevoli per la creazione di un vaccino.
Il grafico che segue dimostra l’importanza dei vaccini per gli ultimi virus che si sono diffusi sul pianeta. Dunque, tutti i nostri prossimi sforzi dovranno imperativamente concentrarsi sulla creazione di vaccino.
I big gata e l’intelligenza predittiva sono le nuove armi a disposizione in questo XXI secolo, affinché i processi di scoperta e sviluppo dei vaccini siano più veloci ed efficaci.
Il programma SAM (Search Algorithm for Ligands)
Tra gli svariati utilizzi e benefici dell’intelligenza artificiale c’è anche la possibilità che questa possa accelerare la scoperta di vaccini in campo medico-sanitario. Il programma principe, nel campo di questo utilizzo per la IA, è il programma SAM (Search Algorithm for Ligands), al alla quale è stato “insegnato” quali vaccini in passato – inteso come serie storica – hanno funzionato contro determinati virus, come quello causa dell’influenza, e in base ai quali questo produrrà trilioni di composti immaginari catalogandoli per potenza ed efficacia. Anziché testare milioni di composti chimici, i medici e i biologi avrebbero la possibilità di “sintetizzarne” direttamente una manciata, selezionandoli tra i più attendibili, per poi testarli sugli animali e sull’uomo.
L’utilizzo di SAM è da ricondurre agli scienziati della Flinders University in Australia, che hanno definito un vaccino prodotto tramite AI, come turbo-charged rispetto ai normali vaccini contro l’influenza.
Cos’è un vaccino e come la AI può supportarne lo sviluppo
Il vaccino è un preparato, creato in laboratorio, contenente proteine di lipidi complesse (che compongono appunto una membrana cellulare) a DNA estraneo, proveniente appunto da microrganismi o parti di essi (organi e/o tessuti).
In condizioni normali le società farmaceutiche e grandi centri di ricerca impiegano mesi, se non anni, per produrre un vaccino. Al costo di migliaia di persone che creano altrettanti composti per trovare una potenziale soluzione. Ovviamente il tutto con un “saldo” non sempre in positivo, data l’elevata percentuale di fallimenti (oltre il 90%). Il programma SAM sembra avere invece, una media di due settimane di ricerca. La convenienza però sembra essere non solo la velocità di esecuzione, quand’anche l’accuratezza nel trovare composti davvero efficaci. E quindi con una percentuale di riuscita maggiore.
Fortunatamente, il campo della genomica (branca della biologia molecolare che si occupa dello studio del genoma degli organismi viventi) è piuttosto ricco di dati grazie alla rapida riduzione del costo del sequenziamento genetico. Di conseguenza, negli ultimi anni sono diventati sempre più diffusi approcci di deep learning alle sfide predittive delle previsioni che si basano sui dati genomici. Questi impegni hanno guidato anche i lavori di AlphaFold, della società DeepMind, che ha sottoposto i propri progetti di intelligenza predittiva al CASP (Assessment of Techniques for Protein Structure Prediction). Un progresso che è stato definito senza precedenti nella capacità dei metodi computazionali nel prevedere la struttura delle proteine, utili appunto alla creazione dei vaccini. Le società hanno raggiunto un alto grado di precisione nella “previsione” delle proprietà chimiche di una certa struttura proteica, che poi possono utilizzare nei vari metodi di produzione al fine di costruire previsioni con strutture proteiche quanto più complete possibili.
In pratica l’utilizzo della IA – anche in ambito sanitario in particolar modo dei vaccini – trova il suo cuore pulsante nei miliardi di dati, documenti accademici e database disponibili fino a un certo momento. Un pozzo, dunque, senza fondo dal quale l’AI puó attingere in qualsiasi momento e in un arco temporale (solitamente) al massimo di qualche minuto. A differenza, appunto, dei ricercatori umani. Di conseguenza i problemi, al vaglio dei tecnici, dell’utilizzo della AI per lo sviluppo dei vaccini sono i soliti del settore:
- dati inseriti errati;
- mancanza di dati certi;
- differenze linguistiche e di “formattazione”.
Queste preoccupazioni sono fondate sul più classico, quando banale, funzionamento informatico del garbage in, garbage out (GIGO). Ovvero la consapevolezza che il computer elabora acriticamente i dati in entrata che, anche se insensati, getterà fuori alla stessa maniera.
In altre parole, se i dati inseriti nei database, al fine di produrre un vaccino, sono errati o (con maggiore probabilità) incompleti; il risultato sarà del tutto inutilizzabile. Dunque, la soluzione potrebbe essere un controllo decentralizzato sui dati inseriti in un unico sistema globale da parte dei ricercatori e case farmaceutiche al fine di implementare la “mente” e la qualità della AI.
Il vantaggio economico di utilizzare l’AI per la ricerca dei vaccini
Parlando di costi, possiamo affermare che già nel 2018 [1] fu stimato un totale di 2,8 – 3,7 miliardi di dollari per far fronte allo sviluppo di un potenziale vaccino. Allora, fu preso come bacino di analisi un totale di undici agenti patogeni più probabili di produrre epidemie nei prossimi anni ovvero: febbre emorragica della Crimea Congo, chikungunya, Ebola, Lassa, Marburg, sindrome respiratoria del Medio Oriente coronavirus, Nipah, febbre della Rift Valley, sindrome respiratoria acuta grave, febbre grave con sindrome trombocitopenica e Zika. Inoltre, in generale fu stimata una media, per la produzione e rilascio della licenza per la produzione di un vaccino, fino a 10 anni e con un tasso medio di fallimento del 94% [2]. Cifre comunque non troppo alte se consideriamo che nel 2003 la battaglia alla SARS è costata complessivamente 54 miliardi di dollari [3].
Conclusioni
Assodato l’immenso volume dei dati in questione, tentare di affrontare il problema della rimozione delle informazioni errate e dell’armonizzazione manuale dei dati non è affatto semplice né immediato; anche se resta comunque una strada percorribile. Al contrario, sembra un’opzione praticabile – in termini di efficacia e riuscita – uno scenario nel quale le aziende e gli enti del settore pharma investano maggiormente in piattaforme comuni, in grado di raccogliere e contestualizzare in modo intelligente i dati. Al fine di utilizzare un’unica banca dati, dalla quale la AI possa attingere.
Il conflitto endemico è chiaro ed evidente. Sia tra le stesse aziende farmaceutiche private, che tra queste e i singoli sistemi sanitari nazionali, c’è una chiara concorrenza soprattutto in un sistema capitalistico quale quello occidentale. Parliamo di una reale barriera, quindi, che al momento ostacola non senza remora, la collaborazione in ambiti health che necessariamente, al fine di implementare la AI, devono essere connessi e collaborare.
In conclusione, i player coinvolti nella sanità sia pubblica che privata – aziende farmaceutiche, università e amministrazioni – hanno la responsabilità di assicurare che le loro piattaforme di intelligenza artificiale siano il più efficaci possibile. Gli investimenti nella preparazione dei dati a oggi sono la chiave di volta per combattere le più grandi minacce di domani.
[1] Estimating the cost of vaccine development against epidemic infectious diseases: a cost minimisation study, 2018. LINK
[2] Risk in vaccine research and development quantified. Pronker ES1, Weenen TC, Commandeur H, Claassen EH, Osterhaus AD, 2018.
[3] How to survive a plague – why AI is key to fighting the next major pandemic, Jabe Wilson, 2019.
