Capire come prevedere la struttura delle proteine è una conoscenza fondamentale nell’odierna farmacologia. Quasi la totalità dei processi metabolici negli organismi viventi funziona per merito di esse e il loro ruolo è abbondantemente indicato dalla loro disposizione spaziale. Pertanto saperne di più ci aiuta a capire come modificarle, regolarle o neutralizzarle al fine di produrre nuovi farmaci.
La struttura 3D di una proteina è determinata dalle proprietà chimiche dei suoi singoli componenti, gli amminoacidi. Sebbene la sequenza di questi ultimi (o struttura primaria) sia piuttosto facile da studiare e intuire, le infinite possibilità di avvolgimento e/o ripiegamento della molecola su sé stessa rendono la sua visione d’insieme di difficile comprensione per gli studiosi.
Ricerche di questo genere impiegano, solitamente, anni di sforzi e di progetti dispendiosi, i quali presentano in ogni caso un margine d’errore – e quindi di perdita – non indifferente; i tradizionali algoritmi mirati alla previsione delle proteine, come “Rosetta” (nome all’apparenza italianissimo, ispirato alla celebre Stele egizia), possono offrire risultati accettabili soltanto dopo lunghi periodi di prova ed errore. Tuttavia, con l’aiuto dell’intelligenza artificiale, il futuro immediato sembra essere più luminoso. I sistemi di IA oggigiorno sono in grado, partendo dalla semplice sequenza amminoacidica, di restringere il cerchio di “candidati” nella miriade di possibili proteine aventi la suddetta sequenza e di farlo in tempi drasticamente ridotti.
AlphaFold ne rappresenta un modello illustre: nato dalla collaborazione tra DeepMind e l’European Bioinformatics Institute, si tratta di un algoritmo gratuito a disposizione di tutti, che ha dato prova di grande efficienza ed è già adoperato da imprese e università di tutto il mondo. Le sue applicazioni in campo medico finora sono state molte, dalla ricerca sulla fibrosi a quella sul Parkinson, fornendo risultati eccellenti nel giro di poche settimane e permettendo così di abbassare significativamente le spese. Inoltre, si è rivelato uno strumento utile anche in ambito di studi sull’inquinamento della plastica, sulla salvaguardia delle api e sull’evoluzione umana. AlphaFold è stato proclamato miglior algoritmo di previsione nella CASP14 (“Critical Assessment of Techniques for Protein Structure Prediction”), una nota competizione e classifica dei migliori metodi di previsione della struttura proteica, nata nel 1994.
Un altro problema che i ricercatori si ripropongono di affrontare è quello opposto: è possibile determinare la sequenza di amminoacidi partendo dalla struttura tridimensionale desiderata? Inoltre, è possibile prevedere possibili mutazioni della sequenza analizzata? In tal caso, più che un’inversione del processo, è necessario un cambio di paradigma. È l’esempio di ProteinMPNN, un algoritmo innovativo che per questo compito può attingere a un database di strutture designate mediante Rosetta o AlphaFold. L’unione di questo sistema con le già note tecniche di previsione permette di ridurre sostanzialmente i margini di errore nella ricerca generale.
Il futuro della farmacologia sembra, dunque, decollare grazie alle nuove tecnologie. I sondaggi indicano come AlphaFold, ProteinMPNN e RosettaFold non siano gli unici sistemi di previsione mediante IA di successo. Decine di algoritmi sviluppati in tempi recenti stanno sfruttando queste tecniche, fornendo risultati molto promettenti.
