Ricerca biomedica basata sull’intelligenza artificiale: dagli algoritmi al laboratorio

Introduzione

La ricerca biomedica è stata tradizionalmente associata a laboratori, microscopi, osservazioni cliniche ed esperimenti accuratamente controllati. Oggi, un altro ambiente ha acquisito la stessa importanza: il mondo digitale. Enormi set di dati, intelligenza artificiale (IA), apprendimento automatico e modelli computazionali sempre più sofisticati stanno cambiando il modo in cui i ricercatori studiano la biologia umana.

I laboratori moderni sono in grado di generare enormi quantità di informazioni. Il sequenziamento genomico, l’imaging medico, lo screening molecolare, le cartelle cliniche elettroniche, i dispositivi indossabili e le apparecchiature di laboratorio automatizzate contribuiscono tutti a un ecosistema di dati scientifici in continua espansione. La sfida non consiste più semplicemente nel raccogliere informazioni. I ricercatori devono stabilire come organizzarle, analizzarle e interpretarle in modo efficace.

È qui che l’IA sta iniziando a svolgere un ruolo importante.

Anziché sostituire la ricerca biomedica convenzionale, l’intelligenza artificiale può integrarla. Gli algoritmi possono esaminare milioni di osservazioni, identificare modelli statistici e aiutare i ricercatori a decidere quali ipotesi meritino un’ulteriore indagine sperimentale. Il risultato è un ambiente di ricerca sempre più interconnesso, in cui l’informatica e la scienza di laboratorio lavorano in sinergia.

Perché la ricerca biomedica sta diventando basata sui dati

La ricerca scientifica ha sempre fatto affidamento sui dati, ma la portata delle informazioni biomediche moderne è fondamentalmente diversa da quella con cui i ricercatori lavoravano alcuni decenni fa.

Un singolo esperimento moderno può produrre migliaia o milioni di misurazioni. Gli studi genomici possono analizzare le variazioni all’interno di intere popolazioni. Gli ospedali accumulano una vasta mole di cartelle cliniche, mentre le tecnologie di imaging generano rappresentazioni digitali dettagliate del corpo umano.

I ricercatori possono inoltre raccogliere informazioni in modo continuo grazie alle tecnologie indossabili. La frequenza cardiaca, il sonno, l’attività fisica, la temperatura e altre variabili possono potenzialmente essere monitorate per lunghi periodi.

Presi singolarmente, questi set di dati forniscono informazioni utili. La loro combinazione crea una complessità notevolmente maggiore.

I metodi statistici tradizionali rimangono essenziali, ma l’intelligenza artificiale e l’apprendimento automatico offrono ulteriori modi per indagare le relazioni all’interno di grandi insiemi di dati. I ricercatori possono utilizzare modelli computazionali per identificare modelli che altrimenti potrebbero rimanere nascosti tra milioni di osservazioni.

L’apprendimento automatico come strumento scientifico

L’apprendimento automatico è una delle tecnologie più importanti alla base della moderna ricerca guidata dall’intelligenza artificiale.

Anziché programmare un computer con istruzioni fisse per ogni possibile scenario, i ricercatori possono addestrare modelli di apprendimento automatico utilizzando set di dati esistenti. Il sistema apprende le relazioni statistiche all’interno delle informazioni e può quindi classificare o stimare i risultati per nuovi dati.

Nelle scienze biomediche, questi metodi hanno numerose potenziali applicazioni.

Gli algoritmi possono analizzare immagini mediche, classificare strutture molecolari, studiare variazioni genetiche e confrontare misurazioni di laboratorio. Possono inoltre aiutare i ricercatori a identificare gruppi di pazienti o campioni sperimentali che condividono caratteristiche particolari.

Tuttavia, l’apprendimento automatico non determina automaticamente il motivo per cui esiste una relazione biologica.

Se un algoritmo individua un’associazione tra un biomarcatore e un esito clinico, gli scienziati devono comunque indagare sul meccanismo biologico sottostante. L’analisi computazionale può generare ipotesi promettenti, ma gli esperimenti di laboratorio e gli studi clinici opportunamente progettati rimangono essenziali per verificarle.

Dalle previsioni al computer agli esperimenti di laboratorio

Uno degli sviluppi più interessanti nella ricerca biomedica è il rapporto sempre più stretto tra previsione computazionale e sperimentazione fisica.

Tradizionalmente, i ricercatori potevano sviluppare un'ipotesi e poi progettare esperimenti di laboratorio per verificarla. L'intelligenza artificiale introduce un'altra fase in questo processo.

Gli scienziati possono innanzitutto analizzare grandi set di dati esistenti e utilizzare modelli computazionali per identificare potenziali relazioni. Tali previsioni possono quindi guidare gli esperimenti di laboratorio.

Immaginiamo che dei ricercatori stiano studiando un recettore biologico coinvolto in un particolare processo cellulare. Lo screening computazionale potrebbe esaminare migliaia di strutture molecolari e stimare quali composti abbiano maggiori probabilità di interagire con il recettore.

Anziché sottoporre immediatamente a screening fisico ogni candidato, i ricercatori possono dare la priorità a un gruppo più ristretto da sottoporre a indagine in laboratorio.

I risultati sperimentali possono successivamente essere reimmessi nel modello computazionale, creando un ciclo di feedback:

Dati → Algoritmo → Previsione → Esperimento → Nuovi dati

Questo ciclo potrebbe diventare una delle caratteristiche distintive dei futuri laboratori biomedici.

IA e scoperta di farmaci

La scoperta di farmaci si presta particolarmente alla ricerca basata sui dati, poiché il numero di molecole teoricamente possibili è enorme.

I ricercatori non possono studiare sperimentalmente ogni potenziale composto. Le tecniche computazionali possono quindi aiutare a restringere la ricerca.

I sistemi di IA possono analizzare strutture molecolari, caratteristiche chimiche e dati biologici esistenti per identificare i candidati che meritano ulteriori studi. Alcuni modelli possono stimare proprietà quali le interazioni molecolari o la potenziale tossicità prima che i ricercatori procedano a fasi sperimentali più costose.

Ciò non significa che un algoritmo possa semplicemente “inventare un farmaco” e renderlo pronto per l’uso clinico.

Le previsioni generate dal computer richiedono un'ampia validazione. I ricercatori devono studiare la farmacologia, la tossicità, il metabolismo, il dosaggio, le interazioni e numerose altre variabili. I composti promettenti potrebbero comunque fallire durante la ricerca di laboratorio, sugli animali o clinica.

Il valore dell’IA risiede principalmente nell’aiutare gli scienziati a orientarsi in modo più efficiente in un enorme spazio di ricerca.

Il panorama digitale in espansione intorno ai composti di ricerca

Le informazioni scientifiche non sono più limitate alle riviste accademiche e alle biblioteche universitarie. I motori di ricerca, le banche dati online, le comunità digitali e i siti web commerciali hanno reso molto più facile per il pubblico accedere alle informazioni sui composti sperimentali e su quelli legati alle prestazioni.

Questo ecosistema digitale più ampio comprende piattaforme quali Dutch Sarms, a testimonianza della crescente consapevolezza del pubblico riguardo a categorie di composti che vengono discussi anche in contesti di ricerca farmacologica e sulle prestazioni. Tuttavia, la disponibilità online e l’evidenza scientifica sono cose fondamentalmente diverse. Il fatto che un composto sia ampiamente discusso o accessibile in commercio non ne dimostra la sicurezza clinica, l’efficacia o l’approvazione normativa.

L’intelligenza artificiale potrebbe, alla fine, aiutare ricercatori e lettori a orientarsi in questo ambiente informativo in espansione, organizzando la letteratura scientifica, identificando risultati contrastanti e distinguendo i diversi livelli di evidenza.

Ciò potrebbe diventare sempre più importante man mano che il volume di informazioni biomediche disponibili online continua a crescere.

Biomarcatori e analisi predittiva

I biomarcatori sono caratteristiche biologiche misurabili in grado di fornire informazioni sui processi fisiologici.

Tra gli esempi figurano le concentrazioni ormonali, le proteine, gli enzimi, i marcatori genetici e numerose misurazioni ottenute tramite analisi del sangue o dei tessuti.

Tradizionalmente, i ricercatori potevano esaminare un numero relativamente esiguo di biomarcatori alla volta. Le moderne tecnologie di laboratorio sono in grado di misurarne centinaia o addirittura migliaia.

L'apprendimento automatico può aiutare a identificare combinazioni di marcatori che sembrano corrispondere a particolari stati biologici.

Anziché chiedersi se una singola misurazione sia in grado di prevedere un esito, i ricercatori possono indagare se un modello complesso che coinvolge molte misurazioni fornisca informazioni utili.

Questo approccio è particolarmente rilevante in settori quali la ricerca metabolica, la scienza cardiovascolare, l’oncologia e l’endocrinologia.

IA e ricerca ormonale

I sistemi ormonali dimostrano perché la ricerca biologica possa diventare computazionalmente impegnativa.

Gli ormoni raramente agiscono in modo indipendente. Essi interagiscono attraverso complessi meccanismi di retroazione che coinvolgono recettori, organi, enzimi e vie di segnalazione. Età, genetica, sonno, alimentazione, farmaci e numerosi fattori ambientali possono influenzare ulteriormente questi sistemi.

I grandi set di dati consentono ai ricercatori di esaminare queste relazioni su popolazioni più ampie.

Un esempio di composto che compare nella letteratura endocrinologica e farmacologica è l’enclomifene, che è stato studiato per i suoi effetti sull’asse ipotalamo-ipofisi-gonadi e sugli esiti correlati al testosterone negli uomini con ipogonadismo secondario. L’analisi basata sui dati può aiutare i ricercatori a confrontare le misurazioni tra i vari studi e a individuare questioni da approfondire, ma le conclusioni sull’uso clinico dipendono ancora da studi clinici progettati in modo appropriato e dalla valutazione normativa.

Questa distinzione illustra un principio importante della medicina basata sull’intelligenza artificiale: l’analisi computazionale può rivelare modelli, ma tali modelli richiedono comunque un’interpretazione biologica e una validazione clinica.

La genomica crea una nuova dimensione dei dati

Pochi settori dimostrano la portata dei dati biomedici meglio della genomica.

Il genoma umano contiene miliardi di coppie di basi di DNA. Quando i ricercatori analizzano le informazioni genetiche di migliaia o milioni di persone, i set di dati risultanti diventano enormi.

L’IA può aiutare gli scienziati a indagare le associazioni tra variazioni genetiche e caratteristiche biologiche.

I ricercatori possono combinare le informazioni genomiche con misurazioni di laboratorio, anamnesi mediche e dati ambientali per sviluppare modelli più dettagliati delle malattie.

Ciò contribuisce allo sviluppo più ampio della medicina di precisione.

Anziché presumere che ogni individuo con la stessa diagnosi abbia caratteristiche biologiche identiche, la medicina di precisione cerca di comprendere le differenze tra i pazienti e in che modo tali differenze possano influire sulla prevenzione, sulla diagnosi o sul trattamento.

L’IA fornisce strumenti in grado di analizzare molte di queste variabili contemporaneamente.

Imaging medico e visione artificiale

La ricerca basata sull’intelligenza artificiale sta trasformando anche l’imaging medico.

Radiografie, TAC, risonanze magnetiche e vetrini istologici contengono enormi quantità di informazioni visive. I sistemi di visione artificiale possono essere addestrati a riconoscere modelli all’interno di queste immagini.

I ricercatori stanno studiando se tali sistemi possano aiutare a identificare anomalie, quantificare caratteristiche anatomiche o rilevare modelli sottili associati alla malattia.

Un algoritmo potrebbe evidenziare regioni sospette all’interno di un’immagine, consentendo a uno specialista di esaminare più da vicino quelle aree.

Il futuro più realistico potrebbe quindi prevedere una collaborazione tra esseri umani e IA.

Gli algoritmi sono in grado di elaborare rapidamente un numero enorme di immagini, mentre i professionisti sanitari qualificati forniscono il contesto clinico, valutano i risultati insoliti e prendono decisioni che richiedono un giudizio più ampio.

Dispositivi indossabili e dati biologici continui

Anche i set di dati biomedici stanno uscendo dai confini di ospedali e laboratori.

Smartwatch, fitness tracker e sensori indossabili specializzati sono in grado di generare flussi continui di informazioni sull’attività fisica e sulle variabili fisiologiche.

Le misurazioni cliniche tradizionali spesso forniscono solo un'istantanea. Ad esempio, a un paziente possono essere misurate la frequenza cardiaca o la pressione sanguigna durante una visita.

I dispositivi indossabili possono potenzialmente fornire informazioni longitudinali che coprono settimane, mesi o addirittura anni.

Per i ricercatori, ciò offre l’opportunità di studiare come la fisiologia cambi nel tempo.

L'intelligenza artificiale può analizzare questi set di dati continui e individuare tendenze che potrebbero essere difficili da rilevare manualmente. In ambito di ricerca, le informazioni raccolte dai dispositivi indossabili potrebbero, a lungo termine, essere integrate con i biomarcatori di laboratorio, le cartelle cliniche e le informazioni genomiche.

Il risultato potrebbe essere un quadro molto più dettagliato della fisiologia umana.

Automazione e laboratorio intelligente

La ricerca biomedica basata sull’intelligenza artificiale non si limita al software.

I laboratori fisici stanno diventando sempre più automatizzati.

I sistemi robotici possono eseguire attività ripetitive quali la manipolazione di liquidi, la preparazione dei campioni e lo screening ad alta produttività. Gli strumenti di laboratorio connessi possono registrare automaticamente le misurazioni sperimentali e trasferirle in database centralizzati.

L'intelligenza artificiale può quindi analizzare tali risultati.

In ambienti di ricerca avanzati, un sistema automatizzato potrebbe eseguire esperimenti, registrare le misurazioni e utilizzare l’analisi computazionale per determinare quali condizioni sperimentali debbano essere testate successivamente.

Gli scienziati rimangono responsabili della definizione degli obiettivi di ricerca e dell’interpretazione dei risultati, ma l’automazione può aumentare notevolmente la produttività sperimentale.

Il laboratorio diventa quindi un ambiente sia fisico che digitale.

Il problema dei dati errati

La rapida crescita dell’IA non elimina uno dei principi più antichi della scienza: dati di input di scarsa qualità producono conclusioni inaffidabili.

I set di dati biomedici possono contenere misurazioni mancanti, etichette errate, metodi di raccolta incoerenti e distorsioni di campionamento.

Un algoritmo addestrato su informazioni errate può produrre risultati altrettanto errati.

I ricercatori devono quindi esaminare attentamente come sono stati raccolti i set di dati e se rappresentano adeguatamente la popolazione oggetto di studio.

La validazione esterna è particolarmente importante.

Un modello che funziona bene utilizzando i dati provenienti da un unico ospedale, laboratorio o popolazione potrebbe dare risultati diversi altrove.

I sistemi di IA dovrebbero quindi essere testati utilizzando set di dati indipendenti prima che i ricercatori possano ritenere che i loro risultati siano generalizzabili.

Privacy ed etica

L’IA biomedica solleva inoltre importanti questioni etiche.

Le cartelle cliniche, le informazioni genetiche e i dati relativi al monitoraggio continuo della salute possono essere estremamente sensibili.

I ricercatori e le istituzioni sanitarie devono proteggere queste informazioni attraverso adeguate procedure di sicurezza, governance e tutela della privacy.

Un’altra preoccupazione riguarda la trasparenza.

Alcuni sistemi sofisticati di IA possono generare previsioni senza fornire una spiegazione semplice di come siano giunti a tali risultati. Ciò può creare difficoltà quando gli algoritmi influenzano la ricerca medica o le decisioni cliniche.

Gli scienziati stanno quindi studiando sempre più l’IA spiegabile, ovvero metodi progettati per rendere il ragionamento computazionale più comprensibile ai ricercatori e agli operatori sanitari.

Gli scienziati rimangono fondamentali

Nonostante gli straordinari progressi nell’intelligenza artificiale, la scienza biomedica non può essere semplicemente automatizzata dall’inizio alla fine.

Gli algoritmi riconoscono schemi matematici. Gli scienziati determinano se tali schemi abbiano un significato biologico.

I ricercatori formulano ipotesi, progettano esperimenti, identificano i fattori di confondimento e valutano i risultati inaspettati. I medici interpretano i risultati nel contesto più ampio dei singoli pazienti.

Il giudizio umano è essenziale anche per le decisioni etiche.

Il futuro più realistico non è quindi quello in cui l’IA sostituisce gli scienziati, bensì quello in cui gli scienziati utilizzano sistemi computazionali sempre più potenti per indagare su questioni che altrimenti sarebbero troppo complesse o richiederebbero una quantità eccessiva di dati.

Il laboratorio del futuro

Il confine tra informatica e scienze biomediche sta diventando sempre più difficile da definire.

I laboratori del futuro potrebbero combinare robotica, sequenziamento genomico, microscopia automatizzata, strumenti connessi, cartelle cliniche elettroniche e sistemi di apprendimento automatico all’interno di un unico ambiente di ricerca.

Gli esperimenti genereranno dati automaticamente. Gli algoritmi analizzeranno tali informazioni e identificheranno potenziali modelli. I ricercatori utilizzeranno tali risultati per progettare gli esperimenti successivi.

Questa interazione continua tra algoritmi e scienza di laboratorio potrebbe accelerare in modo significativo alcune aree della ricerca biomedica.

Tuttavia, i principi fondamentali della scienza rimangono immutati.

Le previsioni devono essere verificate. I risultati devono essere replicati. Le correlazioni richiedono un'attenta interpretazione. Gli interventi medici richiedono prove adeguate.

L’IA e i Big Data forniscono ai ricercatori strumenti straordinariamente potenti, ma il loro valore scientifico dipende in ultima analisi da quanto responsabilmente tali strumenti vengano utilizzati.

L’ascesa della ricerca biomedica guidata dall’IA non è quindi semplicemente una questione di computer più veloci. Rappresenta una trasformazione più ampia nel modo in cui gli scienziati indagano la biologia: da esperimenti isolati verso sistemi interconnessi in cui misurazioni di laboratorio, informazioni digitali e modelli computazionali si alimentano continuamente a vicenda.

In tale contesto, gli algoritmi possono aiutare a individuare la direzione in cui i ricercatori dovrebbero orientarsi in seguito, ma spetterà comunque a una rigorosa indagine scientifica determinare il significato effettivo delle prove.