I dati privati potenziano OpenFold3

I modelli di intelligenza artificiale apprendono dagli esempi e migliorano quanto più quelli a disposizione sono pertinenti: vale per prevedere l’interazione tra le molecole di un farmaco e le proteine, così come per riconoscere un volto o tradurre un testo. Nel campo della progettazione farmaceutica, però, alcuni degli esempi più preziosi restano custoditi nei database delle aziende e sono quindi inaccessibili ai sistemi pubblici di IA.

Un consorzio formato da AbbVie, Astex Pharmaceuticals, Bristol Myers Squibb, Johnson & Johnson e Takeda sostiene di aver trovato il modo di addestrare congiuntamente un modello su questi dati riservati, senza che nessuna società debba mostrare alle altre i propri archivi. Nel parametro di riferimento elaborato dallo stesso consorzio, il modello così ottenuto ha superato nettamente la versione iniziale, addestrata su dati pubblici; né il modello né i dati di prova, tuttavia, sono stati resi disponibili e manca ancora uno studio sottoposto a revisione paritaria (Nature).

Addestrare un modello senza riunire i dati

Il punto di partenza è stato OpenFold3 Preview 2, un sistema open source che prevede come proteine e piccole molecole simili a quelle dei farmaci si dispongano insieme nelle tre dimensioni: in termini intuitivi, cerca di ricostruire sia la forma di una serratura sia il modo in cui la chiave vi si inserisce (OpenFold3 repository).

Anziché raccogliere in un unico database le strutture possedute dalle cinque aziende, ciascuna società ha addestrato localmente una copia del modello sui propri dati, condividendo con un coordinatore centrale soltanto gli aggiustamenti numerici appresi durante il processo e non le informazioni molecolari sottostanti. Apheris, società con sede a Berlino, ha gestito il coordinamento attraverso il sistema open source di NVIDIA per l’apprendimento federato, mentre il laboratorio di Mohammed AlQuraishi alla Columbia University ha fornito le competenze sul modello. Secondo il consorzio, l’operazione ha impiegato 40 GPU NVIDIA H100, distribuite in cinque distinti ambienti aziendali (Apheris, Nature).

Le strutture originali sono così rimaste protette dai sistemi informatici delle singole aziende. Il consorzio, tuttavia, non ha pubblicato prove formali che escludano la possibilità di ricavare informazioni sui dati di addestramento dagli aggiornamenti condivisi del modello, un rischio teorico ben noto nell’apprendimento federato.

Che cosa hanno aggiunto le strutture riservate

Il consorzio ha addestrato il modello su 20.167 strutture proprietarie di complessi proteina-farmaco, per poi verificarne le prestazioni su un insieme privato e separato di 1.056 strutture (Apheris). Il principale indicatore misurava la frequenza con cui la configurazione farmaco-proteina prevista dal sistema si avvicinava a quella osservata sperimentalmente: il modello federato ha ottenuto risultati di alta qualità nel 52,1% dei casi, contro il 35,6% di OpenFold3 nella versione originale e il 40,9% di Boltz-2, un altro modello open source tra i più avanzati (Apheris, Nature).

Un modello di controllo, addestrato soltanto su dati pubblici aggiornati, non ha registrato miglioramenti analoghi; il consorzio ne deduce che le strutture riservate contengano informazioni utili alla previsione che gli archivi accessibili al pubblico non riescono a rappresentare (Apheris).

La ragione potrebbe risiedere nella diversa natura delle raccolte. Il Protein Data Bank pubblico è vastissimo, ma riflette le proteine che i laboratori accademici hanno scelto di studiare; gli archivi farmaceutici, osservano il consorzio e alcuni esperti esterni, tendono invece a comprendere serie sistematiche nelle quali uno stesso bersaglio viene associato a numerosi candidati farmaci affini, documentando proprio quelle sottili variazioni del legame che contano nella progettazione di una molecola (Nature, C&EN). Il modello federato, riferisce inoltre il consorzio, ha superato ciascuno dei modelli addestrati da una sola azienda, un risultato coerente con l’ipotesi che la combinazione dei dati di più società abbia prodotto un vantaggio.

Ciò che i ricercatori esterni non possono ancora verificare

Non è stato presentato alcun manoscritto. I parametri numerici appresi dal modello, le strutture usate come parametro di riferimento e le singole previsioni restano inaccessibili ai ricercatori esterni, mentre non sono disponibili né intervalli di confidenza né test statistici. A costruire il parametro di riferimento e a valutarne i risultati sono state le stesse organizzazioni che hanno sviluppato il sistema (Nature).

La cautela è necessaria anche per un limite già noto. Il lavoro del gruppo PoseBusters ha mostrato che le previsioni di altri modelli di IA per le strutture molecolari possono apparire geometricamente vicine alla configurazione di riferimento, pur disponendo gli atomi in modi fisicamente impossibili, per esempio con legami ad angoli inesistenti nelle molecole reali (PoseBusters). Non sappiamo se le previsioni di AISB superino questi controlli.

Il parametro di riferimento misura inoltre la capacità del modello di ricostruire configurazioni sperimentali già note, non se tale capacità aiuti a individuare composti che si leghino davvero al bersaglio in un organismo vivente e risultino sicuri. Prevedere con precisione la disposizione di una molecola può aiutare un chimico a scegliere quali composti approfondire, ma il consorzio non ha comunicato alcun risultato nelle successive fasi di progettazione farmaceutica.

Il progetto MELLODDY, al quale parteciparono dieci aziende, aveva già dimostrato che l’apprendimento federato poteva migliorare le previsioni sulle proprietà molecolari pur coinvolgendo concorrenti del settore farmaceutico (MELLODDY). AISB applica ora lo stesso principio alla previsione delle strutture tridimensionali; perché il risultato possa essere valutato davvero, occorrono uno studio pubblicato e una quantità sufficiente di dati ispezionabili, così che ricercatori indipendenti verifichino se i miglioramenti dichiarati resistano anche fuori da una valutazione controllata dal consorzio.