Un nuovo studio rileva che l'apprendimento automatico potrebbe accelerare la scoperta di piante con potenziali proprietà antimalariche. I ricercatori, supportati dai modelli ML sviluppati da Daniele Silvestro al SIB presso l'Università di Friburgo, hanno esaminato 21.000 specie appartenenti a tre famiglie di piante. Secondo le loro stime, oltre un terzo di queste potrebbe avere proprietà antimalariche e meritare ulteriori approfondimenti utilizzando il quadro predittivo proposto. Gli esperti ritengono che almeno 1.300 specie attivecontro il Plasmodium potrebbero essere state trascurate utilizzando approcci convenzionali.
La minaccia globale della malaria
La malaria è una delle malattie più letali per l'umanità e rimane una sfida significativa per la salute pubblica a livello globale. La malaria è causata dal parassita Plasmodium, che si trasmette all'uomo attraverso la puntura di zanzare infette. Nel 2021, l'Organizzazione Mondiale della Sanità ha stimato che ci sono stati circa 247 milioni di casi di malaria in tutto il mondo. La resistenza ai farmaci antimalarici esistenti è una sfida sempre più difficile da affrontare. Di conseguenza, l'OMS raccomanda di accelerare la ricerca sui farmaci antimalarici come parte degli sforzi per raggiungere gli obiettivi globali contro la malaria.
Un nuovo studio pubblicato su Frontiers da ricercatori del Royal Botanic Gardens, Kew (Regno Unito), il SIB e Università di Friburgo (Svizzera) e partner ha identificato che l'uso dell'apprendimento automatico potrebbe accelerare la ricerca di piante con proprietà antimalariche (vedi riquadro).
Le piante hanno fornito o ispirato lo sviluppo di numerosi farmaci, poiché sono una ricca fonte di composti bioattivi. Ad esempio, due importanti farmaci utilizzati nel trattamento della malaria, il chinino e l'artemisinina, sono derivati dalle piante. Tuttavia, considerando che esistono circa 343.000 specie di piante vascolari, identificare quelle che contengono compostianti-Plasmodium può richiedere molto tempo e denaro.
Nell'ambito del nuovo studio, gli scienziati hanno cercato di valutare se i modelli di apprendimento automatico potessero essere addestrati sui dati relativi alle caratteristiche delle piante per prevedere l'attivitàanti-Plasmodium delle piante. A tal fine, hanno studiato tre famiglie di piante da fiore - Apocynaceae, Loganiaceae e Rubiaceae - che comprendono complessivamente 21.100 specie. I ricercatori hanno esplorato una serie di metodi per dimostrare l'efficacia degli algoritmi di apprendimento automatico e hanno confrontato le loro prestazioni con altri approcci spesso utilizzati per selezionare le piante al fine di trovare fonti di composti bioattivi.
Gli esperti hanno scoperto che queste tecniche rappresentano un approccio promettente per migliorare la capacità di prevedere le piante con proprietàanti-Plasmodium, il che potrebbe accelerare notevolmente la ricerca di nuovi composti di interesse farmaceutico. I ricercatori stimano che 7.677 specie delle tre famiglie meritino ulteriori indagini e che almeno 1.300 specie attivecontro il Plasmodium potrebbero essere state trascurate utilizzando approcci convenzionali.
"Il nostro studio dimostra che l'apprendimento automatico offre gli strumenti per combinare le conoscenze scientifiche sulle piante e i loro usi tradizionali in un potente quadro predittivo in grado di guidare i test e la ricerca futuri. La biodiversità racchiude probabilmente le soluzioni ai problemi sanitari globali attuali e futuri, e l'apprendimento automatico, unito a una ricerca rigorosa e continua nel campo della biologia, può aiutare a sbloccare questo potenziale", afferma il coautore Daniele Silvestro, responsabile del gruppo Il SIB dell'Università di Friburgo.
Adam Richard-Bollans, ricercatore presso i Royal Botanic Gardens di Kew, afferma: "I nostri risultati evidenziano il vasto potenziale inesplorato delle piante nella produzione di nuovi farmaci. Si stima che esistano 343.000 specie di piante vascolari conosciute che rimangono in gran parte inesplorate dal punto di vista scientifico, e speriamo che il nostro approccio di apprendimento automatico possa essere impiegato per cercare in modo efficiente nuovi composti medicinali in queste piante. Questi risultati rafforzano anche l'importanza di proteggere la biodiversità e di utilizzare le risorse naturali in modo sostenibile al fine di preservare questa preziosa risorsa".
Reference(s)
Richard-Bollans A. et al. L'apprendimento automatico migliora la previsione delle piante come potenziali fonti di antimalarici. Frontiers in Plant Science.
