Il team del Massachusetts Institute of Technology (MIT) ritiene che il modello di intelligenza artificiale, chiamato EquiBind, ridurrà significativamente le possibilità e i costi dei fallimenti delle sperimentazioni sui farmaci. Il numero di molecole che hanno potenziali tratti simili a farmaci è gigantesco, stimato intorno a 1060. In confronto, la Via Lattea ha circa 108 stelle.
Il modello EquiBind è in grado di legare con successo queste molecole simili a farmaci alle proteine a una velocità 1.200 volte più efficiente di uno dei modelli di docking molecolare computazionale esistenti. EquiBind raggiunge questo obiettivo attraverso il ragionamento geometrico integrato che gli consente di prevedere quali proteine si adatteranno a una molecola senza alcuna conoscenza preliminare.
“Siamo rimasti sorpresi, EquiBind è stato in grado di mettere tutto al posto giusto, quindi siamo stati molto felici di vedere i risultati ottenuti”, spiega Hannes Stärk. I risultati hanno già attirato l’attenzione di figure del settore, con la speranza che possa essere utilizzato per trovare trattamenti per il cancro ai polmoni, la leucemia e i tumori gastrointestinali. “EquiBind fornisce una soluzione unica al problema dell’aggancio che incorpora sia la previsione della posa che l’identificazione del sito di legame”, ha affermato Pat Walters.
“Questo approccio, che sfrutta le informazioni provenienti da migliaia di strutture pubblicamente disponibili, ha il potenziale per avere un impatto sul campo in nuovi modi”. Il documento, intitolato “EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction”, sarà presentato alla Conferenza internazionale sull’apprendimento automatico (ICML).