Prevedere la firma chimica di oltre un miliardo di possibili varianti del fentanile grazie al machine learning. È quello che un gruppo di ricercatori è riuscito a fare, e la portata di questo risultato va ben oltre il laboratorio. Parliamo di una sfida enorme, perché il fentanile non è un singolo composto: è una famiglia sterminata di molecole, molte delle quali non sono mai state sintetizzate né osservate in nessun sequestro di droga al mondo. Eppure potrebbero comparire domani sul mercato nero, e le forze dell’ordine non avrebbero modo di identificarle rapidamente.

Il problema, detto in modo semplice, è questo. Ogni volta che i laboratori clandestini modificano anche solo un piccolo dettaglio nella struttura molecolare del fentanile, nasce un nuovo analogo. Qualcosa di chimicamente diverso, spesso non ancora classificato come sostanza illegale, ma potenzialmente letale. Le tecniche tradizionali di analisi, come la spettrometria di massa, funzionano benissimo quando si sa cosa cercare. Ma quando ci si trova davanti a una molecola mai vista prima, il confronto con i database esistenti non dà risultati. Ed è esattamente qui che entra in gioco il machine learning.

Come funziona la previsione delle firme chimiche

Il team di ricerca ha addestrato un modello di intelligenza artificiale capace di analizzare la struttura molecolare di un composto e prevedere quale tipo di spettro di massa produrrebbe in laboratorio. Non serve quindi sintetizzare fisicamente ogni variante per sapere come apparirebbe agli strumenti analitici. Il modello genera una sorta di “impronta digitale chimica” teorica per ciascuna delle oltre un miliardo di molecole considerate. Una libreria virtuale di dimensioni mai tentate prima.

La cosa interessante è che questo approccio non sostituisce il lavoro dei chimici forensi, ma lo potenzia in modo significativo. Quando un laboratorio intercetta una sostanza sconosciuta e ne ottiene lo spettro di massa, può confrontarlo con questa enorme libreria predittiva e ottenere un’identificazione probabile in tempi molto più rapidi. È un cambio di paradigma: invece di rincorrere le nuove varianti del fentanile dopo che hanno già causato danni, si prova ad anticiparle.

Perché questa ricerca conta davvero

Il fentanile sintetico è oggi tra le principali cause di morte per overdose, soprattutto negli Stati Uniti. E la velocità con cui emergono nuovi analoghi rende quasi impossibile per le autorità restare al passo. Ogni anno compaiono decine di varianti inedite, alcune incredibilmente potenti, altre con effetti ancora del tutto sconosciuti. Avere uno strumento predittivo di questa portata significa dare a chi lavora nel campo della sicurezza pubblica e della tossicologia forense un vantaggio concreto.

Nessuno si illude che il machine learning risolva da solo il problema. Ma questa ricerca dimostra che combinare la chimica computazionale con l’intelligenza artificiale può aprire strade che fino a pochi anni fa sembravano fantascienza. Resta da vedere come verranno integrati questi strumenti nei flussi di lavoro reali dei laboratori, ma il segnale è chiaro: la tecnologia, quando viene indirizzata bene, può salvare vite.

L'articolo Machine learning mappa un miliardo di varianti del fentanile mai viste prima proviene da Tecnoapple.

Capita spesso di chiedersi come mai lo stesso farmaco antitumorale possa salvare la vita a una persona e risultare quasi inutile per un’altra. Una domanda che ha tormentato oncologi e ricercatori per anni. Ora, uno studio pubblicato su Nature Communications dal team del MRC Laboratory of Medical Sciences, guidato dalla dottoressa Louise Fets, offre una risposta sorprendente. Il problema, a quanto pare, non sta solo nel farmaco in sé o nella genetica del paziente. Sta in quello che succede dentro le cellule tumorali, a un livello che finora nessuno aveva osservato con questa precisione.

Il gruppo di ricerca si è concentrato sugli inibitori di PARP, una classe di farmaci mirati già ampiamente utilizzati contro il tumore ovarico, mammario e prostatico. Utilizzando campioni di tessuto tumorale ovarico prelevati da pazienti e mantenuti in vita in laboratorio, gli scienziati hanno tracciato il percorso di questi farmaci all’interno del tumore con strumenti di imaging avanzati. E quello che hanno trovato è stato tutt’altro che banale. Le mappe ottenute tramite spettrometria di massa hanno mostrato differenze enormi nella distribuzione del farmaco, non solo tra pazienti diversi trattati con la stessa dose, ma anche all’interno dello stesso identico tumore. Alcune zone risultavano sature di farmaco, altre praticamente vergini.

I lisosomi come serbatoi nascosti

La chiave di tutto sta nei lisosomi, piccole strutture cellulari che normalmente funzionano come centri di riciclaggio della cellula. Alcuni inibitori di PARP, in particolare rucaparib e niraparib, vengono risucchiati dentro questi compartimenti e lì restano intrappolati, creando una sorta di deposito a rilascio lento. Il risultato è che certe cellule tumorali finiscono per essere esposte a concentrazioni altissime del farmaco, mentre le cellule vicine ne ricevono quantità irrisorie. Non tutti gli inibitori di PARP si comportano così: olaparib, per esempio, non sembra soggetto a questo meccanismo.

La dottoressa Carmen Ramirez Moncayo, prima autrice dello studio, ha dichiarato di essere rimasta colpita dalla variabilità nell’accumulo del farmaco osservata a livello di singola cellula. Un fenomeno guidato proprio dall’azione dei lisosomi, che funzionano come serbatoi capaci di immagazzinare il farmaco e rilasciarlo gradualmente.

Cosa significa tutto questo per il futuro delle terapie oncologiche

Le implicazioni pratiche sono notevoli. Comprendere come i farmaci antitumorali vengono assorbiti e distribuiti dentro le cellule potrebbe aprire la strada a strategie terapeutiche più personalizzate. L’obiettivo, come ha spiegato la stessa Fets, è arrivare un giorno a studiare la firma molecolare del tumore di ciascun paziente per adattare il trattamento in modo davvero su misura. Un approccio che potrebbe ridurre i casi di resistenza ai farmaci e migliorare sensibilmente i risultati clinici.

Va detto che lo studio è stato condotto su tessuti tumorali mantenuti al di fuori del corpo. Nei pazienti reali i farmaci viaggiano nel flusso sanguigno e i vasi tumorali sono spesso disorganizzati, il che potrebbe complicare ulteriormente la distribuzione. I prossimi passi prevedono l’uso di modelli animali e gruppi di pazienti più ampi per capire come interagiscono la struttura del tumore, il trasporto dei farmaci e lo stoccaggio lisosomiale in contesti clinici reali, inclusi i tumori recidivanti.

La ricerca è stata finanziata dal Medical Research Council, da Cancer Research UK e dal Victoria’s Secret Global Fund for Women’s Cancers. Un lavoro che, senza troppi giri di parole, potrebbe cambiare il modo in cui vengono pensate le terapie oncologiche nei prossimi anni.

L'articolo Scientists discover why cancer drugs don’t work for everyone proviene da Tecnoapple.