Il GIST sviluppa un modello di intelligenza artificiale che prevede le reazioni ai farmaci non visti in precedenza
21 ottobre 2026 · 2 min di lettura
Il team di ricerca dell'Istituto di Scienza e Tecnologia di Gwangju ha creato un nuovo sistema di intelligenza artificiale capace di prevedere con precisione come le cellule tumorali reagiranno a candidati farmaci che il sistema non ha mai analizzato durante la sua fase di addestramento. Questa innovazione tecnologica mira a selezionare i materiali più promettenti nelle fasi iniziali dello sviluppo di nuovi medicinali, riducendo la necessità di sperimentazioni estensive su sostanze chimiche sconosciute o strutturalmente diverse da quelle già note.
Il modello, denominato Info-DRP, è stato progettato per superare i limiti significativi degli algoritmi precedenti, i quali tendevano a perdere efficacia quando si trovavano di fronte a molecole con strutture chimiche radicalmente differenti dai dati utilizzati per il loro apprendimento. La nuova soluzione impiega una tecnica chiamata apprendimento invariante, che permette al sistema di estrarre informazioni fondamentali che rimangono costanti indipendentemente dalle variazioni nell'ambiente dei dati o nelle specifiche strutture chimiche dei composti esaminati.
I risultati dei test comparativi hanno dimostrato un miglioramento sostanziale nelle prestazioni rispetto a sei modelli esistenti valutati utilizzando lo stesso database di risposte ai farmaci sulle cellule tumorali. Nelle condizioni di valutazione più rigorose, dove i farmaci testati non condividevano alcuno scheletro chimico centrale con quelli del set di addestramento, il sistema ha raggiunto un coefficiente di correlazione di previsione pari a 0.592. Questo valore rappresenta un aumento del 35.8 per cento rispetto al miglior punteggio precedente, che si era attestato a 0.436.
Quando l'analisi è stata estesa all'intero insieme di farmaci non utilizzati durante l'addestramento, il sistema ha registrato un coefficiente di correlazione di 0.617. Questo risultato supera il precedente record di 0.489 di un margine del 26.2 per cento, confermando la capacità del modello di generalizzare le sue previsioni anche su sostanze completamente nuove. L'approccio combina l'analisi dettagliata delle caratteristiche fisico-chimiche dei farmaci con le informazioni sull'espressione genica delle cellule tumorali per ottenere una stima accurata della risposta biologica.
Ulteriori verifiche sono state condotte su cinque linee cellulari non cancerose, dove il sistema ha mostrato una correlazione predittiva superiore rispetto agli altri modelli in ogni singolo caso. Una validazione indipendente effettuata tramite un database diverso, noto come Enciclopedia delle Linee Cellulari Tumorali, ha prodotto un coefficiente di correlazione di 0.431 senza richiedere alcun addestramento aggiuntivo o calibrazione specifica. Questo punteggio ha superato il precedente massimo di 0.417, rafforzando la robustezza della metodologia proposta.
I ricercatori sottolineano che, sebbene questo strumento offra un supporto decisivo per la priorizzazione degli esperimenti e l'allocazione efficiente delle risorse, le previsioni generate dall'intelligenza artificiale non sostituiscono completamente i test di laboratorio reali. L'efficacia finale e la sicurezza di qualsiasi candidato farmaco devono ancora essere verificate attraverso studi clinici e sperimentazioni fisiche approfondite prima di poter considerare approvata una nuova terapia medica.