Applicazione dell’intelligenza artificiale nel drug discovery
Sviluppo, validazione e applicazione di algoritmi di machine learning e deep learning per la generazione de-novo di molecole bioattive.
L’attività di ricerca si prefigge come scopo quello di sviluppare, validare e applicare nuovi algoritmi generativi basati sull’intelligenza artificiale (machine learning e deep learning) al fine di ridurre l’impatto ambientale, i costi e i tempi tipicamente richiesti per lo sviluppo di nuovi candidati farmaci. Per raggiungere tale scopo, si seguono due fondamentali fasi di lavoro: i) addestramento del modello generativo sulla base di una grande banca dati di molecole bioattive (per esempio ChEMBL); ii) generazione mediante reti neurali ricorrenti (RNN) sviluppate ad hoc o autoencoder variazionali. Le molecole generate sono infine valutate mediante approcci structure-based di validazione (docking molecolare) e successivamente saggiate in-vitro.
– Creanza, T.M., Lamanna, G., Delre, P., Contino, M., Corriero, N., Saviano, M., Mangiatordi, G.F., Ancona N., DeLA-Drug: A Deep Learning Algorithm for Automated Design of Druglike Analogues (2022) Journal of Chemical Information and Modeling 62 (6), 1411-1424.
– Montaruli, M., Alberga, D., Ciriaco, F., Trisciuzzi, D., Tondo, A.R., Mangiatordi, G.F., Nicolotti, O. Accelerating drug discovery by early protein drug target prediction based on a multi-fingerprint similarity search † (2019) Molecules, 24 (12), art. no. 2233, .
– Alberga, D., Trisciuzzi D., Montaruli, M., Leonetti, F., Mangiatordi, G.F., Nicolotti, O. A New Approach for Drug Target and Bioactivity Prediction: The Multifingerprint Similarity Search Algorithm (MuSSeL) (2019) Journal of Chemical Information and Modeling, 59 (1), pp. 586-596.
