Virtual Biotech di Stanford: 37.000 agenti IA al lavoro su 55.984 trial clinici

Virtual Biotech va intesa prima di tutto come una grande infrastruttura di ricerca computazionale, non come un laboratorio farmaceutico autonomo. Sviluppata da ricercatori di Stanford, fra cui James Zou e Harrison Zhang, coordina agenti di intelligenza artificiale con competenze diverse sotto la supervisione di un «direttore scientifico» virtuale. In questo modo molte attività di raccolta e analisi delle evidenze possono procedere in parallelo. 12

La dimostrazione più rilevante è stata la catalogazione e l’analisi di 55.984 sperimentazioni cliniche. Il lavoro ha fatto emergere schemi potenzialmente utili per scegliere bersagli terapeutici e ha prodotto un’ipotesi per il trattamento del tumore del polmone. Non dimostra però che una nuova terapia sia sicura o efficace: per questo restano indispensabili ricerca sperimentale, studi clinici e revisione da parte delle autorità regolatorie. 12

Come ha analizzato decine di migliaia di studi clinici

Anziché affidare a un unico modello linguistico il riassunto di una letteratura sterminata, Virtual Biotech ha distribuito il lavoro fra agenti con ruoli scientifici distinti. L’agente che svolge la funzione di direttore scientifico assegna i compiti ad agenti specializzati, per esempio nella biologia dei bersagli, nella progettazione molecolare e nell’analisi dei trial, quindi integra i risultati. 12

Per il compito sui trial, il sistema ha attivato in parallelo più di 37.000 agenti dedicati alle sperimentazioni cliniche. Gli agenti hanno strutturato dati pubblicati su sicurezza ed efficacia provenienti da 55.984 studi e hanno collegato i bersagli farmacologici ad annotazioni genomiche, molecolari e a singola cellula. Stanford riferisce che circa 50.000 trial sono stati catalogati in meno di una settimana. 2

La rapidità deriva dal parallelismo: molti agenti possono recuperare, annotare e controllare singole schede di studi contemporaneamente. Si tratta quindi di un flusso di lavoro per ordinare evidenze a una scala eccezionale, non della prova che il sistema abbia condotto esperimenti in autonomia o scoperto un medicinale già validato clinicamente. 12

I segnali associati a esiti storici migliori

L’analisi ha messo in evidenza due caratteristiche dei bersagli farmacologici:

• Specificità per tipo cellulare: un gene o una proteina è concentrato nel tipo di cellula più rilevante per una malattia, invece di essere attivo in modo diffuso in molti tessuti e cellule.
• Bimodalità: l’attività di un gene si comporta più come uno stato discreto acceso/spento che come una variazione graduale e continua.

Secondo i ricercatori, bersagli con una forte specificità cellulare e comportamento bimodale sono risultati associati a migliori esiti di sviluppo nei dati storici dei trial. Nell’analisi, i farmaci diretti contro geni specifici per tipo cellulare avevano il 40% di probabilità in più di passare dalla fase I alla fase II, il 48% di probabilità in più di arrivare sul mercato e un’associazione con il 32% in meno di eventi avversi. 2

Sono associazioni osservate in un database curato, non effetti garantiti per ogni bersaglio o trattamento. Un’interpretazione biologicamente plausibile è che un bersaglio confinato alle cellule pertinenti alla malattia possa essere modulato con maggiore selettività, riducendo in teoria gli effetti indesiderati altrove nell’organismo. Anche questa spiegazione, tuttavia, richiede verifica sperimentale. 12

L’ipotesi su B7-H3/CD276 nel tumore del polmone

Virtual Biotech ha esaminato B7-H3, chiamata anche CD276, nel tumore del polmone. Usando informazioni pubbliche disponibili prima di gennaio 2025, il sistema ha individuato una possibile motivazione biologica legata all’espressione di B7-H3 nei fibroblasti vicini al tumore e ha ipotizzato che tali cellule possano contribuire alla soppressione locale della risposta immunitaria. 2

La proposta è una strategia con coniugato anticorpo-farmaco, o ADC dall’inglese antibody-drug conjugate: un anticorpo diretto contro B7-H3, collegato a un composto citotossico. In linea di principio, un ADC mira a trasportare preferenzialmente un agente che uccide le cellule tumorali verso quelle che esprimono il bersaglio. L’output del sistema è un disegno preclinico e un’ipotesi di meccanismo, non un prodotto fabbricato né una cura dimostrata. 12

B7-H3 è anche un bersaglio su cui l’industria farmaceutica sta lavorando. GSK descrive risvutatug rezetecan (GSK5764227) come un ADC sperimentale contro B7-H3 per il carcinoma polmonare a piccole cellule; nei suoi materiali riporta inoltre la designazione statunitense di Breakthrough Therapy della FDA per il programma nel carcinoma polmonare a piccole cellule in stadio esteso, recidivato o refrattario.

Tuttavia, le fonti fornite non consentono di presentare questo programma come una convalida clinica successiva della proposta di Virtual Biotech. L’annuncio GSK citato è datato agosto 2024, dunque precedente al limite di gennaio 2025 fissato per le informazioni pubbliche usate nell’analisi di Stanford. L’interesse comune per B7-H3 indica perciò una convergenza strategica su un bersaglio, non la prova che il sistema IA abbia ideato, replicato o validato clinicamente il programma di GSK. 2

Cosa il sistema non ha ancora dimostrato

Il limite decisivo è la distanza fra ragionamento computazionale e prova medica. Gli agenti IA non hanno:

• svolto esperimenti su cellule, animali o persone;
• stabilito selettività, dosaggio, farmacocinetica, tossicità o possibili meccanismi di resistenza di un ADC;
• prodotto materialmente una terapia;
• dimostrato un beneficio per i pazienti in uno studio clinico. 12

Altri scienziati hanno sottolineato che la piattaforma non ha ancora affrontato la prova pratica più importante della scoperta di farmaci: la validazione sperimentale. Le correlazioni storiche possono aiutare a stabilire priorità, ma possono anche riflettere limiti nella qualità dei dati, variabili confondenti o schemi che non si confermano in un programma prospettico. 1

Il passaggio decisivo: la verifica sperimentale

Virtual Biotech potrebbe rivelarsi particolarmente utile per restringere spazi di ricerca enormi e rendere più sistematica la revisione delle evidenze. Agli scienziati umani spetta comunque definire le domande, controllare i dati alla base delle conclusioni, valutarne la plausibilità biologica e decidere quali ipotesi meritino di essere portate avanti. 12

Per la proposta su B7-H3, una validazione significativa richiederebbe replicazione indipendente e poi studi di laboratorio sulla biologia del bersaglio, sul legame e sulla selettività dell’ADC, sull’efficacia, sulla tossicità, sulla farmacocinetica e sulla resistenza. Solo trial clinici progettati in modo rigoroso possono stabilire se un trattamento migliori davvero gli esiti per i pazienti. 12

Il risultato più ampio è promettente ma va letto con misura: un’IA multi-agente può organizzare rapidamente evidenze biomediche e generare ipotesi verificabili. Non elimina la necessità di esperimenti accurati né il giudizio umano in ogni passaggio che conta.