I farmaci possono essere combinati tra loro per agire su diverse cellule tumorali. Le terapie farmacologiche combinatorie spesso migliorano l’efficacia del trattamento e possono ridurre gli effetti collaterali dannosi se il dosaggio dei singoli farmaci può essere ridotto. Tuttavia, lo screening sperimentale delle combinazioni di farmaci è molto lento e costoso e, pertanto, spesso non si riesce a scoprire tutti i vantaggi della terapia di combinazione. Con l’aiuto di un nuovo metodo di apprendimento automatico, si potrebbero identificare le migliori combinazioni per uccidere selettivamente le cellule tumorali con una specifica composizione genetica o funzionale.

I ricercatori dell’Università Aalto, dell’Università di Helsinki e dell’Università di Turku in Finlandia hanno sviluppato un modello di apprendimento automatico che prevede come combinazioni di diversi farmaci antitumorali accuratamente selezionati uccidono vari tipi di cellule tumorali. Il nuovo modello di intelligenza artificiale è stato addestrato con un ampio set di dati ottenuti da studi precedenti, che avevano studiato l’associazione tra farmaci e cellule tumorali. “Il modello appreso dalla macchina è in realtà una funzione polinomiale familiare dalla matematica scolastica, ma molto complessa“, afferma il professor Juho Rousu dell’Università di Aalto.

I risultati della ricerca sono stati pubblicati sulla prestigiosa rivista Nature Communications, dimostrando che il modello ha trovato associazioni tra farmaci e cellule tumorali che non erano state osservate in precedenza. “Il modello fornisce risultati molto accurati. Ad esempio, i valori del cosiddetto coefficiente di correlazione erano più di 0,9 nei nostri esperimenti, il che indica un’eccellente affidabilità”, afferma il professor Rousu. Nelle misurazioni sperimentali, un coefficiente di correlazione di 0,8-0,9 è considerato affidabile. Il modello prevede con precisione come una combinazione di farmaci inibisca selettivamente particolari cellule cancerose quando l’effetto della combinazione di farmaci su quel tipo di cancro non è stato precedentemente testato. “Ciò aiuterà i ricercatori sul cancro a stabilire le priorità delle combinazioni di farmaci da scegliere tra migliaia di opzioni per ulteriori ricerche”, afferma il ricercatore Tero Aittokallio dell’Istituto di medicina molecolare della Finlandia (FIMM) presso l’Università di Helsinki.

Lo stesso approccio di apprendimento automatico potrebbe essere utilizzato per le malattie non cancerose. In questo caso, il modello dovrebbe essere reinsegnato con i dati relativi a quella malattia. Ad esempio, il modello potrebbe essere utilizzato per studiare come diverse combinazioni di antibiotici influenzano le infezioni batteriche o quanto efficacemente diverse combinazioni di farmaci uccidano le cellule che sono state infettate dal Coronavirus SARS-Cov-2.