An AI System for Autonomous Algorithm Evolution in Drug Development

Il viaggio che trasforma un'idea scientifica in un medicinale che aiuta le persone è una strada lunga e tortuosa, piena di molti diversi punti di controllo. Inizia con l'individuazione del giusto bersaglio biologico, passa attraverso la scoperta di una molecola che potrebbe interagire con esso e continua attraverso rigorosi test in laboratorio e, infine, in volontari umani. Per decenni, gli scienziati si sono affidati a programmi informatici specializzati per accelerare ciascuna di queste fasi. Questi programmi sono come strumenti altamente qualificati, ma sono costruiti da esperti umani che devono progettarli con cura per un lavoro specifico. Se uno strumento funziona bene per trovare un bersaglio farmacologico, spesso non può essere utilizzato per testare quel farmaco in una sperimentazione clinica. Ciò significa che, man mano che il processo avanza, gli strumenti devono essere costantemente ricostruiti e ricalibrati a mano, un processo lento e laborioso che limita la velocità con cui possono essere scoperti nuovi medicinali.

Un team di ricercatori ha introdotto un nuovo sistema chiamato DrugEvolve, progettato per cambiare il modo in cui questi strumenti informatici vengono realizzati. Invece di fare affidamento sugli esseri umani per costruire un nuovo algoritmo per ogni singolo compito, questo sistema agisce come un motore autonomo capace di migliorare se stesso. Funziona simulando un piccolo team di esperti autosufficienti che lavorano insieme. Una parte del sistema agisce come un ricercatore, utilizzando la conoscenza scientifica per proporre nuove idee su come un algoritmo dovrebbe funzionare. Un'altra parte agisce come un ingegnere, prendendo quelle idee e scrivendo il codice effettivo per farle funzionare. Una terza parte funge da analista, testando il nuovo codice rispetto ai dati per vedere se si comporta meglio della versione precedente. Se la nuova versione funziona, il sistema la conserva e utilizza quel successo come esperienza per migliorare il ciclo successivo di modifiche. Questo crea un ciclo continuo in cui il software progetta, costruisce, testa e perfeziona i propri metodi senza la necessità di un essere umano che scriva il codice per ogni passaggio.

I ricercatori hanno testato questo sistema auto-migliorante attraverso undici diversi compiti che coprono l'intero processo di sviluppo dei farmaci, dall'identificazione dei bersagli biologici alla conduzione di sperimentazioni cliniche. In questi test, DrugEvolve ha preso algoritmi esistenti e ha permesso loro di evolversi autonomamente. I risultati hanno mostrato che il sistema è stato in grado di potenziare significativamente le prestazioni degli algoritmi su cui stava lavorando. Quando misurati rispetto a 120 set di test standard utilizzati dagli scienziati per verificare il proprio lavoro, gli algoritmi evoluti hanno mostrato miglioramenti sostanziali. Il sistema si è dimostrato abbastanza flessibile da gestire tipi di informazioni molto diversi, passando senza soluzione di continuità da dati che sembrano sequenze biologiche, a dati che mappano strutture molecolari, fino a dati scritti in linguaggio naturale. Ha avuto successo sia in compiti che prevedono esiti, come indovinare come si comporterà un farmaco, sia in compiti che generano nuove possibilità, come il design di nuove molecole.

La significatività di questo lavoro risiede nella sua capacità di creare un sistema che impara dalla propria storia. Combinando i ruoli di ricercatore, ingegnere e analista in un unico ciclo automatizzato, il sistema non si limita a seguire un insieme di istruzioni; cerca attivamente modi migliori per risolvere i problemi. Gli autori suggeriscono che questo approccio potrebbe servire come infrastruttura fondamentale per il futuro dello sviluppo dei farmaci, dove gli strumenti stessi diventano più intelligenti nel tempo. Oltre alla medicina, il metodo offre un nuovo modo di approcciare altri campi scientifici complessi, dimostrando che una macchina può essere istruita non solo a eseguire un compito, ma anche a reinventare il modo in cui svolge quel compito. Il sistema ha dimostrato di poter generalizzare il proprio apprendimento, il che significa che i miglioramenti apportati in un'area potevano essere applicati a diversi tipi di dati e a diverse fasi del processo, provando che l'evoluzione autonoma è una via percorribile per far avanzare la scoperta scientifica.