L’accordo tra AstraZeneca e insitro mette 1,5 miliardi di dollari sulla scoperta di target con l’AI

AstraZeneca ha firmato un accordo del valore potenziale di circa 1,5 miliardi di dollari con insitro, collocando l’AI all’inizio della propria pipeline di farmaci per il fegato e il cuore. L’accordo tra AstraZeneca e insitro affronta un problema ostinato: scegliere target biologici che causino effettivamente la malattia, anziché limitarsi a comparire insieme a essa.

Le aziende si concentreranno sulla steatoepatite associata a disfunzione metabolica, nota come MASH, e sulle cardiomiopatie che colpiscono il muscolo cardiaco. Queste definizioni comprendono popolazioni di pazienti biologicamente eterogenee, rendendo entrambe le patologie difficili da modellare e trattare. La collaborazione si chiede se il machine learning possa separare questi meccanismi patologici nascosti prima che AstraZeneca investa anni di lavoro in laboratorio e clinica.

Questa distinzione conta più del valore annunciato. Gran parte del corrispettivo dipende da futuri traguardi di scoperta, sviluppo e commercializzazione. L’impegno immediato è molto più contenuto, mentre la validazione clinica rimane responsabilità di AstraZeneca. L’accordo offre a insitro un importante partner farmaceutico senza fingere che un algoritmo possa sostituire esperimenti, sperimentazioni cliniche o valutazioni regolatorie.

L’accordo crea inoltre un confronto importante con i precedenti lavori di insitro per Gilead Sciences, Bristol Myers Squibb ed Eli Lilly. AstraZeneca non sta acquistando un farmaco finito né un target già validato. Sta pagando per un sistema migliore per selezionare quali ipotesi biologiche meritino di trasformarsi in programmi di sviluppo farmacologico.

Cosa copre realmente l’accordo tra AstraZeneca e insitro

Questo accordo finanzia la scoperta di target e la selezione di candidati preclinici, non una scorciatoia generata dall’AI attraverso lo sviluppo clinico.

In base ai termini dell’accordo resi noti dalle aziende, AstraZeneca pagherà a insitro 40 milioni di dollari in anticipo. Insitro potrà ricevere fino a circa 1,46 miliardi di dollari attraverso potenziali traguardi di scoperta, sviluppo e commercializzazione.

L’azienda potrà inoltre ricevere royalty a una cifra percentuale sulle future vendite globali. Tali pagamenti dipendono dall’avanzamento dei programmi fino al raggiungimento delle condizioni pertinenti. Non devono essere interpretati come denaro già trasferito o ricavi garantiti.

AstraZeneca riceve diritti esclusivi mondiali per portare avanti i programmi selezionati identificati attraverso la collaborazione. Insitro condurrà i target nominati da AstraZeneca dalla scoperta verso la fase di candidato allo sviluppo. AstraZeneca controllerà quindi lo sviluppo clinico, le attività regolatorie e la commercializzazione.

Questa divisione del lavoro stabilisce la reale portata del progetto. Il ruolo di insitro consiste nell’identificare la biologia causale della malattia e contribuire a tradurre i target selezionati in potenziali farmaci. AstraZeneca resta responsabile di dimostrarne sicurezza ed efficacia negli esseri umani.

La collaborazione copre MASH e cardiomiopatie. La MASH è una patologia epatica progressiva che comporta accumulo di grasso, infiammazione e danno cellulare. Le cardiomiopatie sono malattie che alterano la struttura o la funzione del muscolo cardiaco.

Entrambe le categorie presentano una notevole variabilità biologica. Due pazienti possono condividere una diagnosi pur avendo fattori genetici, traiettorie della malattia o risposte al trattamento differenti. Una terapia rivolta al paziente medio può quindi non colpire il meccanismo che guida la malattia in uno specifico sottogruppo.

Insitro afferma che la sua piattaforma Virtual Human combina dati umani su larga scala, misurazioni cellulari, genetica e machine learning. Cerca schemi che colleghino la variazione genetica a caratteristiche misurabili della malattia e al comportamento cellulare.

L’espressione “biologia causale della malattia” è centrale nella proposta. La correlazione può rivelare che una proteina, un gene o un biomarcatore compare nelle persone affette da una malattia. L’evidenza causale suggerisce che modificare il target dovrebbe alterare il processo patologico stesso.

Questa differenza determina se un target diventa un programma farmacologico produttivo o un costoso vicolo cieco. La dirigente di AstraZeneca Sharon Barr ha descritto la selezione dei target come una delle decisioni più difficili nella ricerca e sviluppo.

In un’intervista sulla selezione dei target, Barr ha affermato che le vie pubblicate non sono più nuove quando ogni gruppo di ricerca può leggerne. AstraZeneca vuole identificare prima connessioni biologiche meno evidenti, quindi testarle in sistemi cellulari.

L’accordo rappresenta dunque una scommessa sul vantaggio informativo. L’AI non elimina la necessità dello sviluppo farmaceutico. Dovrebbe migliorare la qualità e la tempistica delle ipotesi che entrano in tale processo.

Perché MASH e cardiomiopatie si adattano alla strategia AI

AstraZeneca ha selezionato malattie nelle quali grandi dataset contengono segnali utili, ma ampie etichette diagnostiche possono nascondere cause biologiche distinte.

La MASH ha ripetutamente frustrato gli sviluppatori di farmaci perché grasso, infiammazione, fibrosi, metabolismo e genetica interagiscono in modo diverso tra i pazienti. Anche la progressione della malattia varia ampiamente. Alcune persone rimangono stabili, mentre altre sviluppano cirrosi o tumore al fegato.

Questa variabilità crea un problema di selezione del target prima ancora di creare un problema di progettazione della molecola. Un farmaco può interagire con il target previsto e fallire comunque se quel target non guida la malattia in un numero sufficiente di pazienti arruolati.

Le cardiomiopatie presentano una sfida correlata. La categoria include molteplici condizioni ereditarie e acquisite che indeboliscono, ingrossano, ispessiscono o irrigidiscono il muscolo cardiaco. Diverse alterazioni genetiche possono produrre sintomi clinici simili.

La scoperta tradizionale spesso inizia con un meccanismo già supportato dalla ricerca pubblicata. Gli scienziati sviluppano quindi saggi, testano composti e raccolgono evidenze attorno a quel meccanismo. L’approccio resta essenziale, ma può favorire target familiari con dati abbondanti.

Il machine learning può ampliare la ricerca. Può esaminare insieme immagini, varianti genetiche, misurazioni molecolari, cartelle cliniche e perturbazioni sperimentali. L’obiettivo è identificare connessioni che sarebbero difficili da riconoscere per una persona attraverso milioni di osservazioni.

La fondatrice di insitro Daphne Koller ha sostenuto che la biologia moderna produce misurazioni più dettagliate di quante i ricercatori possano esaminare manualmente. In un’intervista sulla scoperta di farmaci con AI, ha descritto la sfida come la necessità di comprendere abbastanza bene le malattie complesse da scegliere l’intervento giusto per un sottogruppo di pazienti.

Questo argomento è particolarmente rilevante per la MASH. Un modello potrebbe distinguere pazienti la cui fibrosi segue percorsi molecolari differenti, anche quando le loro diagnosi sembrano simili. I ricercatori potrebbero quindi perseguire target legati a un percorso e progettare sperimentazioni attorno alla popolazione corrispondente.

La stessa logica si applica alle malattie cardiache. Schemi di imaging, informazioni genetiche, biomarcatori circolanti ed esperimenti cellulari possono creare un quadro ad alta dimensionalità della malattia. I dati ad alta dimensionalità contengono molte caratteristiche misurate che devono essere analizzate insieme.

Tuttavia, più dati non producono automaticamente conclusioni causali migliori. I dataset medici riflettono chi ha ricevuto test, come sono state raccolte le misurazioni e quali esiti sono stati registrati. Queste scelte possono introdurre distorsioni.

Anche i modelli cellulari semplificano l’ambiente all’interno di un corpo umano. Un target che modifica una cellula coltivata può comportarsi diversamente tra organi, risposte immunitarie e lunghi periodi di trattamento. Il machine learning può classificare le ipotesi, ma gli esperimenti devono determinare se tali classifiche resistano alla realtà biologica.

L’approccio Virtual Human di insitro cerca di ridurre questo divario collegando la genetica umana ai sistemi cellulari. Le varianti genetiche agiscono come esperimenti naturali perché possono associare differenze biologiche permanenti agli esiti della malattia.

I ricercatori possono quindi perturbare percorsi correlati nelle cellule e misurarne i risultati. Quando la genetica umana e gli effetti di laboratorio indicano la stessa direzione, un target acquisisce una base causale più solida.

AstraZeneca fornisce il livello successivo. I suoi scienziati possono valutare se un target sia farmacologicamente modulabile, ossia se un medicinale possa influenzarlo in modo sicuro e coerente. Possono anche stabilire se un meccanismo proposto sia coerente con le conoscenze cliniche e patologiche esistenti.

Questo flusso di lavoro combinato spiega perché le aziende abbiano scelto due malattie eterogenee. Non sono semplicemente grandi mercati per nuovi farmaci. Sono test per verificare se l’integrazione dei dati possa rivelare sottogruppi di pazienti trattabili nascosti all’interno di diagnosi ampie.

La vera sfida è avere target migliori, non più target

L’accordo tra AstraZeneca e insitro conterà solo se migliorerà la qualità dei target, non semplicemente la velocità o il volume delle previsioni computazionali.

I sistemi AI possono generare lunghi elenchi di geni, proteine, percorsi e molecole. Questa abbondanza può creare un’apparenza di progresso. La scoperta di farmaci, tuttavia, non premia l’elenco più lungo. Premia un piccolo numero di ipotesi che restano credibili dopo test ripetuti.

L’affermazione centrale di insitro è che la sua piattaforma possa dare priorità a target radicati nella biologia umana. La piattaforma combina dati a livello di popolazione con esperimenti eseguiti nelle cellule. Usa quindi il machine learning per collegare le caratteristiche della malattia ai potenziali fattori causali.

Il metodo differisce dall’uso di un modello linguistico per riassumere la letteratura scientifica. Differisce anche dallo screening di una libreria chimica soltanto contro una proteina nota. Il vantaggio proposto deriva dall’integrazione di diverse forme di evidenza biologica prima di selezionare un target.

Il ruolo di AstraZeneca impedisce che la collaborazione diventi un esercizio basato solo sul software. Gli scienziati farmaceutici devono stabilire se una previsione abbia un meccanismo plausibile, un profilo di sicurezza adeguato e un percorso di sviluppo praticabile.

Questo lavoro include la conferma che il target sia presente nei tessuti rilevanti. I ricercatori devono dimostrare che modificarlo produca l’effetto previsto e non inneschi problemi inaccettabili altrove. Devono inoltre trovare un medicinale in grado di raggiungerlo e controllarlo.

Il processo diventa iterativo. I risultati computazionali guidano gli esperimenti, mentre i risultati sperimentali aggiornano i modelli. Anche le previsioni errate forniscono informazioni quando i team registrano perché sono fallite e reinseriscono tali lezioni nel sistema.

Questo meccanismo mette sotto pressione due approcci consolidati. Il primo si basa fortemente su target già ben rappresentati nella letteratura scientifica. Il secondo utilizza piattaforme computazionali che enfatizzano la generazione di molecole dopo che un target è già stato selezionato.

AstraZeneca e insitro si concentrano sulla decisione precedente. La loro scommessa è che selezionare un meccanismo patologico più solido crei più valore che progettare composti più velocemente contro uno debole.

L’industria farmaceutica ha buone ragioni per concentrarsi su questo aspetto. Una molecola chimicamente elegante non può salvare un target che non influenza in modo significativo la malattia umana. Un’ipotesi biologica errata può consumare anni prima che una sperimentazione ne riveli l’errore.

Insitro ha già perseguito questo modello. La sua collaborazione sul fegato del 2019 con Gilead si concentrava anch’essa sulla malattia del fegato grasso. Quel progetto ha utilizzato machine learning, genetica umana e genomica funzionale per creare modelli della malattia e identificare target.

Il nuovo accordo si basa quindi su una linea di ricerca di lunga data, anziché aprirne una completamente nuova. Offre inoltre ad AstraZeneca un ulteriore canale per la scoperta di target assistita dall’AI, affiancando gli strumenti interni e le partnership esterne.

AstraZeneca ha già collaborato con BenevolentAI su target per la malattia renale cronica e la fibrosi polmonare idiopatica. Ha inoltre ampliato l’uso dell’AI nell’analisi dei dati clinici, nella ricerca sui biomarcatori e in altri programmi di scoperta.

Per insitro, l’accordo aggiunge un’altra grande azienda farmaceutica a un elenco di partner che include Gilead, Bristol Myers Squibb ed Eli Lilly. Ogni rapporto apporta competenze diverse sulle malattie, capacità di sviluppo e riscontri sperimentali.

La questione competitiva non è quale azienda utilizzi l’AI. Quasi ogni grande gruppo farmaceutico rivendica ormai qualche capacità in questo ambito. Il confronto significativo riguarda quali organizzazioni riescano a collegare i modelli a dati proprietari, esperimenti ripetibili e decisioni di sviluppo.

Questa integrazione richiede infrastrutture e rigore istituzionale. I data scientist devono comprendere come sono stati raccolti i campioni. I biologi devono sapere cosa un modello può dedurre. Gli sviluppatori di farmaci devono distinguere tra un andamento interessante e un programma pronto a ricevere investimenti.

I team necessitano inoltre di registri tracciabili delle ipotesi fallite. Senza di essi, i modelli possono ereditare il bias di pubblicazione, poiché la letteratura scientifica privilegia i risultati positivi. Ripetere soltanto gli esperimenti riusciti crea un quadro incompleto di ciò che la biologia consente davvero.

L’accordo tra AstraZeneca e insitro può generare un vantaggio se la partnership migliora questo ciclo di feedback. Il suo valore deriverebbe dall’abbandonare prima le idee deboli e dal far progredire un numero minore di target, ma sostenuti da evidenze più solide.

Un titolo da $1,5 miliardi non convalida la piattaforma

Il tetto massimo dei milestone segnala ambizione, ma saranno le prove biologiche e cliniche a stabilire se la piattaforma migliora i risultati dello sviluppo dei farmaci.

Solo il pagamento iniziale è certo al momento della firma. La maggior parte del valore potenziale dipende da eventi futuri, tra cui il successo nella scoperta, nello sviluppo e nella commercializzazione. Questa struttura trasferisce una quota rilevante del rischio scientifico ai programmi stessi.

Rende inoltre il valore annunciato un indicatore debole della fiducia immediata. Pacchetti di milestone elevati sono comuni nelle partnership biotecnologiche perché i farmaci di successo possono generare valore significativo. Molti programmi non raggiungono mai le fasi che sbloccano i pagamenti successivi.

Le aziende non hanno divulgato quanti target AstraZeneca abbia nominato. Non hanno identificato meccanismi specifici, molecole candidate, tempistiche di sviluppo o condizioni per l’attivazione dei milestone. Non hanno neppure pubblicato dati comparativi sulle prestazioni di questa collaborazione.

Queste lacune sono normali per un accordo di scoperta in fase iniziale. Limitano comunque ciò che gli osservatori esterni possono concludere. L’annuncio conferma la partnership e il suo quadro finanziario, non il successo clinico della piattaforma.

Una review sulla scoperta di target sottoposta a peer review identifica diverse limitazioni persistenti dei sistemi AI. Tra queste figurano dati distorti, interpretabilità limitata, scarsa generalizzabilità e la necessità di validare sperimentalmente i target previsti.

La generalizzabilità descrive se un modello rimane affidabile al di fuori dei dati utilizzati per svilupparlo. Un sistema addestrato su una popolazione, un tipo cellulare o un processo di misurazione può funzionare male quando le condizioni cambiano.

L’interpretabilità pone un problema diverso. Un modello può attribuire un punteggio elevato a un target senza fornire una chiara spiegazione biologica. I ricercatori possono faticare a progettare esperimenti di conferma quando non riescono a stabilire perché il modello abbia prodotto quel risultato.

L’inferenza causale alza ulteriormente l’asticella. Un’associazione genetica può supportare un target, ma geni vicini o varianti collegate possono complicarne l’interpretazione. Una risposta cellulare può mostrare che una via biologica cambia in condizioni di laboratorio senza dimostrare che lo stesso cambiamento apporti benefici ai pazienti.

La MASH aggiunge complicazioni cliniche. La gravità della malattia richiede spesso imaging, biomarcatori o valutazioni dei tessuti, e queste misurazioni non sempre concordano. La selezione dei pazienti può quindi influire sul fatto che un medicinale sperimentale sembri efficace.

Gli studi sulle cardiomiopatie affrontano sfide proprie. La progressione della malattia può essere lenta, le popolazioni di pazienti possono essere ridotte e i sottotipi genetici possono differire. I ricercatori hanno bisogno di endpoint che rilevino miglioramenti significativi entro una durata di sperimentazione pratica.

L’AI non può eliminare questi vincoli. Può aiutare a identificare pazienti, biomarcatori e meccanismi, ma le autorità regolatorie necessitano comunque di prove credibili provenienti da studi controllati. I medici hanno comunque bisogno di benefici che superino i rischi.

Una recente analisi sulla traduzione clinica sostiene che i dati biologici differiscano dai dataset stabili alla base di molte applicazioni AI di successo rivolte ai consumatori. Le misurazioni dipendono dal disegno sperimentale, dalla dose, dalla tempistica, dal tessuto e dal contesto del paziente.

Questa osservazione spiega il compromesso centrale. I modelli acquisiscono forza combinando più dati, ma l’unione di misurazioni incompatibili può anche nascondere differenze importanti. La scala aiuta soltanto quando i dati sottostanti rimangono biologicamente significativi.

Insitro afferma di aver costruito una vasta raccolta multimodale di dati umani e cellulari. Multimodale significa che la raccolta contiene diversi tipi di misurazione, quali dati genetici, immagini e profili molecolari.

Le dimensioni di questo corpus restano meno importanti della sua rilevanza per le due malattie. Le domande decisive riguardano la diversità dei pazienti, la coerenza delle misurazioni, lo stadio della malattia e la validazione indipendente.

Un’altra incertezza riguarda la novità. Un target precedentemente sconosciuto può creare vantaggi in termini di proprietà intellettuale e competitività. I target nuovi comportano anche meno evidenze, aumentando il rischio che i ricercatori ne interpretino erroneamente la funzione.

Un target noto presenta il profilo opposto. I concorrenti potrebbero già perseguirlo, ma gli scienziati ne comprendono meglio la via biologica, la sicurezza e la rilevanza clinica. Le piattaforme AI devono bilanciare novità e affidabilità.

AstraZeneca sembra voler ottenere entrambe. I commenti di Barr sottolineano l’importanza di individuare connessioni biologiche prima che diventino ampiamente note. Tuttavia, i team di sviluppo dell’azienda devono comunque richiedere evidenze sufficienti a giustificare costosi esperimenti e studi clinici.

Questa pressione crea una disciplina utile per insitro. Un partner farmaceutico non ha bisogno soltanto di un impressionante benchmark di modello. Ha bisogno di target che superino la revisione interna, generino farmaci praticabili e migliorino infine gli esiti dei pazienti.

L’accordo dovrebbe quindi essere valutato per fasi. La nomina dei target è il primo segnale. La selezione di candidati allo sviluppo è più solida. L’ingresso nella sperimentazione sull’uomo fornisce un ulteriore livello di evidenza.

L’efficacia clinica rimane il criterio più difficile. Finché i programmi non raggiungeranno quel punto, le affermazioni su uno sviluppo dei farmaci più rapido o più efficace dovrebbero restare provvisorie.

Tre segnali mostreranno se la scommessa funziona

Le prossime evidenze significative arriveranno dall’avanzamento dei programmi, dalla validazione biologica riproducibile e da gruppi di pazienti chiaramente definiti.

Il primo segnale sarà se AstraZeneca selezionerà target per lo sviluppo formale. Un target nominato dimostra che un modello ha prodotto un’ipotesi interessante. Un candidato allo sviluppo dimostra che l’ipotesi ha superato ulteriori verifiche biologiche, chimiche e di sicurezza.

Le comunicazioni sui milestone possono aiutare i lettori a distinguere queste fasi. I pagamenti per la scoperta indicherebbero progressi iniziali, mentre i milestone di sviluppo suggerirebbero che i programmi selezionati hanno superato soglie interne più elevate.

Il secondo segnale sarà la validazione sperimentale indipendente. Evidenze utili potrebbero includere risultati cellulari replicati, studi sugli animali, analisi genetiche o ricerche sottoposte a peer review che colleghino un target alla progressione della malattia.

La sola pubblicazione non garantirà il successo. Tuttavia, metodi chiari e replicazione esterna renderebbero più semplice valutare se la piattaforma identifichi biologia causale anziché coincidenze statistiche.

Il terzo segnale sarà la stratificazione dei pazienti. Le aziende descrivono la MASH e le cardiomiopatie come malattie eterogenee, pertanto i loro programmi dovrebbero infine definire quali pazienti presentino il meccanismo rilevante.

I biomarcatori potrebbero costituire quel ponte. Un biomarcatore è una caratteristica biologica misurabile utilizzata per identificare l’attività della malattia, la risposta al trattamento o l’idoneità del paziente. Biomarcatori solidi aiuterebbero AstraZeneca a testare ciascun medicinale nel gruppo con maggiori probabilità di beneficiarne.

Questi segnali arriveranno lentamente. La collaborazione inizia prima della selezione dei candidati, mentre lo sviluppo farmaceutico si svolge di solito nell’arco di diversi anni. Gli annunci iniziali potrebbero riguardare target o programmi preclinici anziché risultati di studi sull’uomo.

L’attività dei concorrenti fornirà ulteriore contesto. Il precedente lavoro di Gilead con insitro offre un riferimento storico nelle malattie del fegato. Le altre partnership AI di AstraZeneca possono mostrare se diversi sistemi di scoperta producano target che entrano nella sua pipeline.

I lettori dovrebbero evitare di considerare equivalenti tutti i milestone. Una previsione computazionale, un target validato, un candidato allo sviluppo e un farmaco clinico di successo rappresentano livelli di evidenza molto diversi.

L’accordo tra AstraZeneca e insitro è importante perché applica l’AI a un collo di bottiglia cruciale. La selezione del target sbagliato può compromettere tutto ciò che segue. Selezionarne uno migliore può aumentare le probabilità di ogni decisione successiva.

L’intesa mostra inoltre come le aziende farmaceutiche stiano strutturando l’adozione dell’AI. AstraZeneca mantiene il controllo su studi clinici, regolamentazione e commercializzazione. Insitro fornisce modelli specializzati, dati biologici e capacità di scoperta.

Questo modello distribuisce le competenze senza eliminare la responsabilità. Se i programmi falliscono, il fallimento può derivare dalla selezione del target, dalla progettazione della molecola, dalla sicurezza, dal disegno dello studio o dalla biologia umana. Nessun singolo algoritmo controlla l’intera catena.

Per ricercatori e leader aziendali, ciò rende la gestione delle evidenze importante quanto le prestazioni del modello. I team devono collegare ogni previsione ai relativi dataset, presupposti, esperimenti e decisioni.

Una knowledge base AI può aiutare le organizzazioni a preservare questa tracciabilità tra articoli, riunioni e aggiornamenti sperimentali. L’obiettivo pratico non è raccogliere più informazioni, ma conservare le evidenze alla base di ogni cambiamento di giudizio.

La domanda immediata è chiara: la partnership nominerà target che AstraZeneca farà avanzare nello sviluppo? In seguito, i lettori dovrebbero seguire la biologia replicata e strategie specifiche di selezione dei pazienti.

Questi risultati riveleranno se la collaborazione abbia individuato un migliore meccanismo di scoperta o abbia prodotto un altro ampio insieme di ipotesi plausibili. Il tetto di $1,5 miliardi attira l’attenzione, ma il primo candidato farmaco credibile avrà un’importanza ben maggiore.