Fin dal primo anno di medicina quanto ancora dovevo dare l’esame di biochimica sono incuriosito dalla sperimentazione farmacologica “in silico” e ricordo ancora anni addietro quando mi “divertivo” a sfogliare in protein data bank le strutture terziarie e quaternarie di diversi peptidi, provando ad usare il software Chem3D della suite ChemOffice per provare a vedere come diverse molecole potevano interagire con i loro bersagli simulati la cui conformazione era stata dedotta dalla tecnica di cristallografia a raggi X.
Ovviamente solo pochi centri dei ricerca disposti a spendere ingenti capitali possono con questa tecnica studiare le strutture delle proteine in dettaglio e possono farlo solo per pochi bersagli selezionati, motivo per cui nel tempo diversi team di informatici hanno provato a dedurre queste strutture 3D a partire dalle sequenze aminoacidiche utilizzando progetti di calcolo distribuito come Rosetta@home o perfino videogiochi come FoldIt… finchè il team di Google DeepMind non ha cambiato tutto rilasciando il software basato su AI Alphafold, che ha permesso di dedurre le strutture di tutte le proteine conosciute e non, valendo il premio Nobel per la Chimica ai suoi sviluppatori.
Il database di strutture creato da Alphafold è liberamente accessibile a tutti tramite siti come UniProt che riportano anche le strutture 3D di tutte le mutazioni conosciute di ogni proteina, tuttavia è anche possibile usare Alphafold per studiare strutture 3D di proteine ipotetiche che di fatto non esistono in natura semplicemente fornendogli la relativa sequenza, tale programma può quindi avere un utilità incalcolabile a tal fine se fatto girare sul proprio hardware. Mentre Alphafold 2 è completamente Open Source e dispone anche di un notebook colab in grado di farlo girare volendo anche in cloud (e quindi anche con PC datati o poco performanti), i file di lavoro di Alphafold 3 sono di fatto closed.
Quando anni fa venni a conoscenza di questo software ero già stato tentato di provare ad usarlo come facevo ai “vecchi tempi” con ChemOffice, tuttavia per mancanza di tempo non sono mai riuscito ad addentrarmi in questa avventura…almeno fin quando un recente colloquio con una dottoressa in biotecnologie (Valentina Bosatta) non mi ha fatto ritornare in mente questo programma e l’idea di provare a farlo girare in cloud (Alphafold 2).
L’idea come avevo già detto tempo fa e verificare se è possibile utilizzare software come Alphafold per produrre una ricerca scientifica distribuita fra piccoli ricercatori, magari che si interessa di proteine target non “di grido” per le aziende biotech o di farmaci orfani, oppure con l’intento di creare nuovi biomateriali da utilizzare in una futura economia di conoscenza distribuita libera dal copyright. Infatti questi programmi sono utilizzati già da tempo dall’industria biotech grande e piccola come anche specificatomi da un caro amico che conosco da anni, il prof Livio Trusolino dell’Università degli Studi di Torino, che quindi con tutta probabilità non ha nessun interesse ad accogliere piccoli progetti che possono essere portati avanti solo con un computer domestico ed attrezzatura di laboratorio minimale. Tali progetti indipendenti potrebbero tuttavia aprire nuove strade inaspettate per via della curiosità intrinseca che li muove?
Alphafold 2 provato:
La prima prova che ho fatto del software è consistita nel recuperare la strutture 3D di un’ oncogene-chinasi (AKT3) nelle sue forme wild type e mutata a livello del sito catalitico in un punto associato a tumori (142R->E), che ho fatto quindi interagire mediante la simulazione Chem3D con la molecola inibitrice Capivasertib a livello del sito catalitico per vedere quali dei due complessi avesse un’energia sterica minore dopo più o meno lo stesso numero di iterazioni e conseguente stabilizzazione del valore, osservando che la forma Wild Type mostrava un’energia sterica nettamente minore nella simulazione (indicativa di maggiore affinità? purtroppo non ho gli strumenti teorici per dirlo…)
Il mio piccolo test quindi è perfettamente riuscito ed anche il folding di altre proteine è altrettanto accurato, tuttavia molte proteine del database mostrano ancora previsioni a bassa attendibilità (stando a quanto dichiarato dal software stesso). Potrebbe essere possibile migliorare ancora la qualità delle previsioni facendo training mirati a specifiche categorie di peptidi, col non trascurabile vantaggio di diminuire anche la quantità di risorse hardware necessarie per la procedura? (approccio che con le AI che generano testi ad esempio è già molto promettente)
Conclusioni:
In definitiva questo piccolo esperimento casalingo credo dimostri come Alphafold possa essere anche utilizzato da singoli con poche risorse e come potrebbe anche diventare un potente strumento in mano a biohacker per la creazione di nuovi farmaci, nuovi peptidi e nuovi biomateriali; tuttavia l’algoritmo necessita di migliorie nella previsione di alcune strutture meno comuni e probabilmente meno rappresentate nel database di training.