Una piattaforma di recente sviluppo permette di creare un modello virtuale di tessuto tumorale, atto a testare - in scenari biologicamente realistici - progetti di nanoparticelle per nuovi farmaci e, sfruttando un algoritmo di machine learning, di ottimizzare la biodistribuzione dei nanovettori.

TAKEAWAY

• I vettori di farmaci basati su nanoparticelle hanno il potenziale per un targeting più puntuale delle cellule tumorali rispetto ai farmaci tradizionali.
• Ma, in ambito oncologico, esiste un grosso limite allo studio di questa materia, rappresentato dalla biodistribuzione delle nanoparticelle all’interno dell’organismo e, più in particolare, da alcuni limiti nel loro comportamento collettivo in un complesso ambiente tumorale.
• Una possibile soluzione viene da una piattaforma di recente sviluppo, che crea un modello virtuale di tessuto tumorale per testare nuovi nanovettori e che, sfruttando un algoritmo di machine learning, ne ottimizza la biodistribuzione.

---

In quello specifico segmento dell’oncologia che studia sempre nuovi vettori di farmaci basati su nanoparticelle (detti anche “nanovettori” o “nanocarriers”) per aggredire le cellule del cancro, parlare di intelligenza artificiale per farmaci antitumorali significa fare riferimento all’AI quale strumento volto a facilitare e ad accelerare la fase di progettazione di tali trattamenti. Ma andiamo per gradi.

Ricordiamo, innanzitutto, che i vettori di farmaci basati su nanoparticelle hanno il potenziale per un targeting più puntuale delle cellule tumorali rispetto ai farmaci tradizionali.

Inoltre, in questo preciso settore di ricerca, le nanoparticelle vengono utilizzate anche per definire nuove strategie di trattamento – basate sulla modifica delle loro dimensioni, della loro carica o del materiale di cui sono costituite -puntando, ad esempio, a un rilascio ritardato del farmaco, a terapie fototermiche locali oppure a trattamenti che sfruttano le dinamiche collettive delle nanoparticelle.

Tuttavia, esiste un grosso limite allo studio di questa materia, rappresentato dalla biodistribuzione delle nanoparticelle all’interno dell’organismo e, più in particolare, da alcuni limiti nel loro comportamento collettivo in un complesso ambiente tumorale.

Vediamo come è possibile, oggi, affrontare tali limiti e qual è – in questa sfida – il ruolo delle tecniche che fanno capo all’ambito di studi dell’intelligenza artificiale.

Il progetto europeo EVO-NANO per la simulazione di scenari tumorali e la valutazione dell’efficacia delle nanoparticelle

“In futuro, la creazione del gemello digitale di un ‘tumore paziente’ potrebbe consentire la progettazione di nuovi trattamenti farmacologici per mezzo di nanoparticelle specializzate per ogni singola esigenza, senza la necessità di lunghi tentativi ed errori, né del lavoro di laboratorio, spesso costoso e limitato nella sua capacità di studiare rapidamente soluzioni adatte ai singoli pazienti” osserva Sabine Hauert, ricercatrice e docente presso il Bristol Robotics Laboratory dell’Università di Bristol, coinvolta, insieme al collega Namid Stillman, nel progetto finanziato dalla Commissione europea EVO-NANO, guidato da Igor Balaz dell’Università di Novi Sad, in Serbia.

Avviato a ottobre del 2018 – e destinato a completarsi a marzo del 2022 – il progetto in tema di intelligenza artificiale per farmaci antitumorali mira a creare una piattaforma interdisciplinare integrata per la simulazione di diversi scenari tumorali e la valutazione dell’efficacia delle nanoparticelle progettate per il loro trattamento terapeutico.

Se ne parla in un documento pubblicato il 21 settembre 2021 su Nature Computational Materials, in cui la piattaforma – che reca il nome del progetto stesso – viene presentata ufficialmente dal team di ricercatori che in questi anni vi hanno lavorato.

Avvalendosi di PhysiCell – software open source per la simulazione di grandi sistemi cellulari – lo strumento inizia generando un modello di tumore virtuale dalle caratteristiche specifiche, tra cui quelle relative alla dimensione e alla distribuzione iniziali delle cellule tumorali, alla struttura del sistema vascolare e all’esistenza di sottopopolazioni resistenti.

Le dinamiche di crescita del tumore vengono, quindi, utilizzate per generare scenari biologicamente rilevanti, finalizzati a testare, in una simulazione matematica al computer, le nanoparticelle progettate quali vettori di farmaci.

La piattaforma EVO-NANO – commenta Igor Balaz – consente di simulare l’effetto fisiologico di ogni singola modifica dei parametri delle nanoparticelle a un livello di dettaglio quasi impossibile da ottenere sperimentalmente.

Intelligenza artificiale per farmaci antitumorali: un algoritmo di machine learning facilità la biodistribuzione dei nanovettori all’interno dei tessuti malati

In seno a questo progetto in materia di intelligenza artificiale per farmaci antitumorali, l’AI entra in scena con una tecnica di apprendimento automatico messa a punto dal team – denominata “evoluzione artificiale” – il cui compito è quello di analizzare i parametri del tumore virtuale (comprendenti, come accennato, dati relativi alla sua dimensione e alla distribuzione delle cellule tumorali al suo interno, nonché alla struttura del suo sistema vascolare e all’esistenza di sottopopolazioni resistenti), correlarli tra loro e distinguere le cellule sane da quelle malate (preservando le prime dai potenziali effetti collaterali del trattamento terapeutico), al fine di predire i coefficienti di diffusione del farmaco (per gruppi o per singoli tipi di cellule) in base a dimensioni, materiale, forma, rigidità, parti leganti e carica delle nanoparticelle prese in esame.

Questa, dunque, è la funzione dell’algoritmo di machine learning per quanto concerne la parte inerente alla progettazione delle nanoparticelle per nuovi farmaci antitumorali.

Per quanto riguarda, invece, la valutazione dell’efficacia terapeutica delle nanoparticelle progettate, entra in gioco un algoritmo genetico, ossia una tipologia di algoritmo che rientra nello studio dell’intelligenza artificiale e, più in particolare, nella branca della computazione evolutiva, a sua volta sotto-segmento dell’AI dedito all’ottimizzazione della soluzione di un’ampia varietà di problemi afferenti a diversi contesti, tra cui la biologia.

Nel dettaglio, è stato utilizzato un algoritmo genetico che opera in questo modo:

• viene prodotto un insieme ben definito di soluzioni, dove ognuna rappresenta un gruppo di parametri che definisce le funzionalità delle nanoparticelle
• queste soluzioni vengono valutate con un punteggio basato sulla proporzione tra i tipi di cellule tumorali distrutte e il dosaggio complessivo del farmaco

Le soluzioni col punteggio più alto vengono, poi, selezionate attraverso una procedura che mira a produrre soluzioni discendenti, valutate nuovamente per trovare una nuova idoneità. E il processo viene ripetuto fino a quando non è trascorso un numero predeterminato di generazioni di soluzioni.

Intelligenza artificiale per farmaci antitumorali da nanoparticelle: obiettivi e scenari

La piattaforma progettata è open source – ricorda Igor Balaz – quindi esiste la concreta possibilità, per i ricercatori e i centri di ricerca a livello internazionale che lo desiderano, di utilizzarla per costruire la “propria” nanomedicina contro il cancro, che vede l’impiego dell’intelligenza artificiale per farmaci antitumorali.

Guardando, invece, più lontano, l’obiettivo del team è arrivare a utilizzare EVO-NANO per calare nella realtà la metodologia dei gemelli digitali dei tumori, servendosi dei dati reali dei singoli pazienti per coltivare versioni virtuali dei loro tumori e, quindi, per ognuno di loro, ottimizzare trattamenti terapeutici ad hoc. E prosegue Balaz:

“Per avvicinarci alla pratica clinica, nel nostro lavoro futuro ci concentreremo, in particolare -attraverso la piattaforma che abbiamo messo a punto e la tecnica di machine learning che abbiamo elaborato – sulla replica dell’eterogeneità dei tumori e sull’emergenza data dalla resistenza ai farmaci”

Ma, in futuro, vi è anche l’applicazione della piattaforma e delle tecniche AI sviluppate, per studiare il ruolo del microambiente tumorale (ovvero come il grado di acidità di quest’ultimo possa influire sulle dinamiche di rilascio delle nanoparticelle e su come queste vengono eliminate dal tumore) e la potenziale tossicità dei nanovettori.

Proprio riguardo a quest’ultimo punto – fa notare Namid Stillman – i nanocarrier, prima di essere utilizzati nella pratica clinica, devono superare rigorosi requisiti normativi.