MtbAIM: AI/ML-guided endpoint-specific prediction of small-molecule activity across drug-susceptible and drug-resistant Mycobacterium tuberculosis

La tubercolosi rimane una delle minacce infettive più persistenti dell'umanità, una malattia che continua a costare oltre un milione di vite ogni anno nonostante decenni di sforzi medici. La situazione è diventata sempre più precaria perché i batteri responsabili della malattia si stanno evolvendo per sopravvivere proprio ai medicinali progettati per ucciderli. Quando un ceppo di tubercolosi diventa resistente ai farmaci standard, le opzioni di trattamento si restringono drasticamente, costringendo spesso i medici a fare affidamento su terapie più vecchie, più tossiche o meno efficaci. Per gli scienziati che cercano di scoprire nuove cure, questo crea un puzzle difficile: un composto chimico potrebbe funzionare perfettamente contro una versione standard e sensibile ai farmaci del batterio, ma fallire completamente contro un ceppo resistente. Trovare un nuovo farmaco non significa più solo trovare qualcosa che uccida il batterio; significa trovare qualcosa che uccida il batteri anche quando questi hanno imparato a combattere.

Negli ultimi anni, i ricercatori si sono rivolti all'intelligenza artificiale per aiutare a risolvere questo enigma, sperando di scansionare vaste librerie di strutture chimiche e prevedere quali potrebbero funzionare prima ancora di testarle in laboratorio. Tuttavia, molti di questi modelli informatici hanno trattato tutti i batteri della tubercolosi come se fossero uguali, o si sono concentrati solo su una singola misura di quanto un farmaco sia efficace. Questo approccio rischia di ignorare le differenze cruciali tra i batteri facilmente trattabili e quelli che non lo sono. Un nuovo studio condotto dai ricercatori dell'Indian Institute of Technology-Delhi affronta questa lacuna costruendo un sistema specializzato che tratta i batteri suscettibili ai farmaci e quelli resistenti ai farmaci come sfide distinte, guardando al contempo a diversi livelli di potenza del farmaco per vedere esattamente quanto debba essere forte un composto.

Il team, guidato da Jasdeep Singh e Kritika Singh, ha iniziato raccogliendo una vasta collezione di dati esistenti su come varie piccole molecole interagiscono con i batteri della tubercolosi. Hanno estratto quasi 30.000 record da un database scientifico pubblico, separando attentamente le informazioni in due gruppi: uno contenente dati su come i composti influenzano i batteri suscettibili ai farmaci, e un altro per quelli che influenzano i ceppi resistenti ai farmaci. Si sono inoltre assicurati che i dati non fossero solo un semplice elenco di "funziona" o "non funziona", ma includessero misurazioni specifiche della concentrazione necessaria per arrestare la crescita batterica. Ciò ha permesso loro di distinguere tra un composto che è semplicemente attivo e uno che è altamente potente.

Per istruire i loro modelli informatici, i ricercatori hanno inserito queste strutture chimiche in diversi tipi di rappresentazioni digitali. Alcune di queste rappresentazioni utilizzavano metodi stabiliti per descrivere le proprietà fisiche e chimiche delle molecole, mentre altre utilizzavano sistemi di intelligenza artificiale avanzati e pre-addestrati che avevano imparato a comprendere le forme molecolari autonomamente. L'obiettivo era vedere quale metodo fosse migliore nel prevedere se un nuovo prodotto chimico non ancora visto avrebbe funzionato contro il batterio. Fondamentalmente, i ricercatori hanno testato i loro modelli utilizzando un metodo rigoroso che garantisse che il computer non stesse semplicemente memorizzando le forme delle molecole che aveva già visto. Invece, hanno testato i modelli su intere nuove famiglie chimiche, simulando lo scenario del mondo reale della scoperta di un farmaco per una struttura che il computer non aveva mai incontrato prima.

I risultati hanno rivelato un modello chiaro. Sebbene i sistemi avanzati di intelligenza artificiale pre-addestrata fossero capaci di apprendere informazioni utili sulle molecole, non superavano costantemente i metodi più tradizionali ed stabiliti di descrizione delle strutture chimiche. Infatti, sia per i batteri suscettibili che per quelli resistenti ai farmaci, i modelli che combinavano le descrizioni chimiche standard con algoritmi decisionali basati su alberi si sono rivelati i più affidabili. Questi modelli hanno previsto con successo se un composto sarebbe stato attivo e, cosa forse più importante, hanno stimato la specifica forza di tale attività con un alto grado di precisione. Il sistema è stato in grado di gestire la complessità della resistenza ai farmaci, dimostrando che la capacità di un composto di uccidere il batterio non è un tratto singolo e fisso, ma dipende fortemente dal tipo specifico di batterio che affronta.

Per rendere queste scoperte utili ad altri scienziati, i ricercatori hanno costruito una piattaforma online gratuita chiamata MtbAIM. Questo strumento consente a chiunque di inserire la struttura chimica di una molecola e ricevere istantaneamente una previsione di quanto potrebbe funzionare contro la tubercolosi suscettibile e resistente ai farmaci. La piattaforma fornisce un output duale: dice all'utente se il composto è probabilmente attivo e fornisce una stima specifica della sua potenza. Questa capacità duale è vitale perché aiuta i ricercatori a dare priorità ai composti da testare in laboratorio, risparmiando tempo e risorse concentrandosi sui candidati più promettenti. Il sistema non sostituisce la necessità di test di laboratorio effettivi, ma agisce come un potente filtro, guidando gli scienziati verso le sostanze chimiche che hanno la più alta probabilità di successo.

Lo studio ha inoltre evidenziato l'importanza di guardare a diversi livelli di potenza del farmaco. I ricercatori hanno scoperto che prevedere la concentrazione esatta necessaria per arrestare la crescita batterica era possibile, ma l'accuratezza di queste previsioni variava a seconda di quanti dati erano disponibili per quella specifica misurazione. Per le misurazioni più comuni, i modelli erano piuttosto precisi, ma per i punti dati più rari, l'incertezza era maggiore. Mantenendo queste diverse misurazioni separate invece di mescolarle, i ricercatori hanno garantito che l'incertezza fosse visibile e onesta. Questa trasparenza è una caratteristica chiave del loro approccio, poiché evita agli utenti di sovrastimare la certezza di una previsione quando i dati sottostanti sono scarsi.

In definitiva, questo lavoro dimostra che l'intelligenza artificiale può essere un partner pratico nella lotta contro la tubercolosi, a condizione che sia progettata con in mente le realtà biologiche della malattia. Separando i batteri suscettibili da quelli resistenti ai farmaci e trattando le diverse misure della forza del farmaco come domande distinte, i ricercatori hanno creato uno strumento che offre una visione più sfumata e realistica dei potenziali nuovi trattamenti. La scoperta che le descrizioni chimiche tradizionali mantengono comunque il loro valore rispetto ai modelli di intelligenza artificiale più nuovi e complessi suggerisce che, nel campo della scoperta di farmaci, i metodi stabiliti combinati con una gestione attenta dei dati possono essere altrettanto potenti quanto le ultime tendenze tecnologiche. La piattaforma risultante offre un modo chiaro e accessibile alla comunità scientifica globale per esaminare nuove sostanze chimiche, avvicinandoci un passo di più alla scoperta della prossima generazione di trattamenti per la tubercolosi.