MoleculeMind, società di intelligenza artificiale applicata al design proteico fondata dal professor Xu Jinbo, ha annunciato un importante progresso nella progettazione de novo di biologici grazie alla piattaforma proprietaria MMDesign. L’azienda ha superato il 90% di successo nella progettazione di nanobody, un risultato che segna un punto di svolta per il settore biotech e per le tecnologie di discovery farmaceutico basate su AI.
La piattaforma MMDesign e il nuovo approccio al design molecolare
MMDesign nasce con l’obiettivo di trasformare radicalmente il processo di progettazione dei biologici. La piattaforma utilizza algoritmi avanzati di intelligenza artificiale per prevedere e generare strutture proteiche, riducendo in modo significativo la dipendenza dai metodi tradizionali, spesso lunghi e costosi.
Il cuore dell’innovazione è un modello “generate-and-filter” che consente di creare candidati molecolari e selezionare rapidamente quelli più promettenti. Questo approccio ha permesso a MoleculeMind di ottenere un tasso di successo del 90,9% a livello di target, ovvero la capacità di generare almeno una molecola efficace per ciascun bersaglio analizzato. La piattaforma è inoltre progettata per adattarsi in modo flessibile ai diversi contesti sperimentali, favorendo iterazioni rapide tra simulazione e validazione in laboratorio.
Test su 12 target terapeutici e riduzione della complessità sperimentale
L’efficacia di MMDesign è stata valutata su 12 target terapeutici ad alto valore, tra cui citochine, checkpoint immunitari, recettori e proteine multi-transmembrana. Per ciascun bersaglio sono stati sintetizzati e testati solo 14-50 candidati progettati dall’AI, un numero estremamente ridotto rispetto agli standard della scoperta tradizionale.
I risultati sono stati rilevanti: 11 target su 12 hanno mostrato legami specifici, confermando la capacità della piattaforma di operare su una vasta gamma di tipologie proteiche. Questo dato evidenzia un netto superamento dei metodi classici di screening, che spesso richiedono milioni di molecole candidate per ottenere risultati comparabili.
Prestazioni su bersagli complessi: PD-L1, TNF alpha e GPCR
Tra i risultati più significativi emergono quelli ottenuti su target particolarmente difficili. Nel caso di PD-L1, la piattaforma ha raggiunto un tasso di successo del 86,7%, con una molecola ottimale caratterizzata da un’affinità (KD) di 7,2 nM. Le strutture generate hanno inoltre mostrato elevata originalità conformazionale, elemento importante per la protezione brevettuale.
Ancora più rilevanti i dati su TNF alpha, un bersaglio noto per la sua superficie di legame complessa e poco accessibile. MMDesign ha prodotto 7 molecole attive su 14 testate, con un’affinità massima di 51 pM, un valore estremamente elevato in termini di potenza biologica.
Risultati altrettanto avanzati sono ottenuti sui recettori GPCR (CCR7), dove 22 nanobody su 29 hanno mostrato legame specifico, con purezza tra il 90% e il 99% e livelli di espressione superiori a 0,5 g/L.
Impatto sul futuro della scoperta farmaceutica
Secondo MoleculeMind, questi risultati segnano il passaggio da una logica di screening casuale a un modello di ingegneria molecolare programmabile. L’utilizzo dell’intelligenza artificiale consente di ridurre drasticamente tempi e costi nello sviluppo di nuovi farmaci, passando da cicli di ricerca pluriennali a processi potenzialmente misurabili in mesi.
La combinazione tra modelli computazionali avanzati e validazione sperimentale mirata apre la strada a una nuova fase per il biotech, in cui il design molecolare diventa sempre più predittivo e meno dipendente dalla sperimentazione ad alta intensità di risorse.
Fonte: Pandaily
