Architetture di Machine Learning per la Predizione delle Interazioni Farmaco-Bersaglio e delle Proprietà ADMET

Il processo di sviluppo di nuovi farmaci è caratterizzato da fasi sperimentali lunghe e costose, ostacolate da un elevato tasso di fallimento (attrition rate), dovuto principalmente alla scarsa efficacia clinica e alla tossicità dei candidati. Questa tesi analizza come le architetture di Machine Learning e Deep Learning stiano ottimizzando i punti più critici della pipeline farmaceutica, concentrandosi sulla predizione delle interazioni farmaco-bersaglio e sulla valutazione ADMET. Viene innanzitutto affrontato il problema della rappresentazione molecolare in formato machine readable, analizzando l’evoluzione dai formati lineari e dai fingerprint molecolari fino ai grafi. Il nucleo dell’elaborato formalizza la predizione DTI e DTA (Drug-Target Interaction e Drug-Target Affinity) come problemi di classificazione binaria e regressione. Vengono confrontati i metodi ligand-based e structure-based, il docking molecolare, gli algoritmi di Machine Learning classico (Random Forest, SVM) e le architetture di Deep Learning più recenti (CNN, RNN, GNN, Transformer), evidenziando come i modelli ibridi, come TC-DTA, ne combinino i punti di forza. Viene poi discussa la valutazione computazionale delle proprietà ADMET, approfondendo un’architettura multimodale ad attenzione cross-aligned per la predizione della tossicità. Infine, i casi di Baricitinib, Halicin e Rentosertib mostrano l’impatto clinico attuale e concreto di questi metodi. L’elaborato si conclude analizzando le sfide ancora aperte, tra cui il cold-start problem, e discutendo vantaggi e svantaggi delle architetture più promettenti.