Svolta nell'AI: AmesNet prevede la tossicità dei farmaci con una precisione senza precedenti
L'AI affronta un collo di bottiglia tossicologico vecchio di decenni
Il test di Ames è un pilastro della sicurezza dei farmaci da oltre 40 anni. Questo saggio batterico rileva le mutazioni del DNA, segnalando i composti che potrebbero causare il cancro. È un passaggio obbligatorio prima che qualsiasi nuova piccola molecola terapeutica possa entrare in studi clinici sull'uomo.
Tuttavia, il processo è costoso e lento. I test conformi alle GLP spesso superano i 10.000 dollari per composto e richiedono circa 2 grammi di materiale. Gli sviluppatori di solito rimandano i test fino alla presentazione normativa, momento in cui sono già stati investiti decine di milioni di dollari.
Model Medicines ha ora pubblicato AmesNet, un modello di AI che prevede i risultati del test di Ames con una sensibilità leader di classe. Il lavoro, presentato alla riunione CRT dell'American Chemical Society, potrebbe rimodellare la scoperta precoce dei farmaci.
Il collo di bottiglia del test di Ames
Il test di Ames non è un singolo esperimento. È una batteria di saggi su più ceppi batterici, ciascuno sensibile a diversi tipi di mutazioni del DNA. I test vengono condotti con e senza una frazione enzimatica epatica (S9) che simula il metabolismo umano.
Un composto può essere mutageno in un ceppo ma non in un altro, o solo quando viene metabolizzato. Questa complessità rende difficile una previsione accurata. I modelli di AI tradizionali trattano tutte le condizioni come equivalenti, mediando i segnali e perdendo i rischi dipendenti dal contesto.
I test di Ames conformi alle GLP costano oltre 10.000 dollari per composto e richiedono circa 2 grammi di materiale. Ciò rende lo screening di routine impraticabile durante la scoperta precoce, costringendo gli sviluppatori a rimandare i test fino alla presentazione normativa.
Come funziona AmesNet
AmesNet utilizza un'architettura innovativa chiamata Apprendimento Condizionato dal Compito (TCL). A differenza dei modelli precedenti che producono una singola previsione, AmesNet utilizza un design a doppio ramo. Un ramo codifica la struttura molecolare; il secondo codifica le condizioni del saggio, inclusa l'identità del ceppo batterico e la presenza di attivazione metabolica (S9).
Ciò consente al modello di apprendere confini decisionali separati per ogni contesto. Non media i segnali tra diversi ceppi, che è il punto debole chiave dei modelli di AI esistenti. Il risultato è un modello in grado di distinguere tra un composto mutageno solo in un ceppo e uno genotossico in generale.
Model Medicines ha validato AmesNet su un set di test esterno trattenuto di 4.208 punti dati. Questi composti erano chimicamente dissimili dai dati di addestramento, testando la capacità del modello di generalizzare a nuovi spazi chimici.
Perché la sensibilità è importante
La metrica più critica nei test di Ames basati su AI è la sensibilità: identificare correttamente i composti mutageni. I falsi negativi consentono ai composti pericolosi di avanzare inosservati, potenzialmente sprecando milioni nello sviluppo e, peggio, mettendo a rischio i pazienti.
I modelli esistenti falliscono sulla sensibilità perché alcune classi di composti, come gli intercalanti planari aromatici e le ammine aromatiche, producono segnali dipendenti dal contesto. I modelli non condizionati diluiscono questi segnali mediando tra i ceppi. L'analisi di arricchimento strutturale ha confermato che AmesNet recupera queste classi.
Il FDA Modernization Act fornisce un quadro giuridico per i modelli computazionali per ridurre i test di laboratorio. AmesNet è posizionato per operare all'interno di questo quadro, potenzialmente fungendo da alternativa di grado normativo al test di Ames fisico.
Implicazioni più ampie per la scoperta di farmaci
I risparmi sui costi sono sostanziali. A 10.000 dollari per composto, lo screening di una libreria di 10.000 candidati costerebbe 100 milioni di dollari. Modelli di AI come AmesNet potrebbero ridurre questo costo a una frazione, consentendo agli sviluppatori di effettuare screening prima e più ampiamente.
Non si tratta solo di costi. Si tratta di velocità. Un'inferenza AI di 20 minuti sostituisce settimane di lavoro di laboratorio. Gli sviluppatori possono iterare sulla progettazione molecolare in tempo reale, testando la tossicità insieme all'efficacia.
Model Medicines ha anche pubblicato la validazione della sua piattaforma GALILEO e del modello ChemPrint, che sono alla base del suo pipeline di farmaci. AmesNet è un componente di un ecosistema più ampio di scoperta di farmaci guidato dall'AI.
Cosa significa per l'industria
L'industria farmaceutica è stata lenta nell'adottare l'AI per la tossicologia di grado normativo. La posta in gioco è alta: un falso negativo potrebbe portare a uno studio clinico fallito o a un richiamo di sicurezza. La sensibilità leader di classe di AmesNet affronta direttamente questo rischio.
Le agenzie di regolamentazione stanno osservando. Il FDA Modernization Act segnala una volontà di accettare prove computazionali. Se AmesNet può dimostrare prestazioni costanti in diversi spazi chimici, potrebbe diventare uno strumento standard nello sviluppo preclinico.
Model Medicines non ha divulgato i termini di prezzo o licenza. Tuttavia, la pubblicazione dei dati di riferimento suggerisce una spinta verso l'adozione da parte dell'industria. Il prossimo passo sarà la validazione indipendente da parte di laboratori terzi e organismi di regolamentazione.
Related News
Licenziamenti Tech 2026: L'AI Guida oltre 139.000 Tagli di Posti di Lavoro nel Primo Semestre
Reddit combatte lo spam AI con LLM: una corsa agli armamenti digitali
Report: Microsoft licenzia quasi 5.000 dipendenti tra Xbox, vendite commerciali e AI enterprise Microsoft
Il Modello AI AmesNet Rivoluziona lo Screening della Tossicità dei Farmaci
Mappa in Tempo Reale della Rete Ferroviaria della Gran Bretagna: Una Nuova Era di Connettività
