Il sistema suggerisce variazioni strutturali mirate, valuta la probabilità che queste possano aumentare l’attività antimicrobica e utilizza i risultati ottenuti per guidare i passaggi successivi del processo di ottimizzazione. Una strategia iterativa che, secondo gli autori, consente di ridurre tempi e complessità tipici della sperimentazione tradizionale in laboratorio.

I primi risultati preclinici appaiono particolarmente promettenti. Nei test eseguiti contro diversi batteri patogeni, circa l’85% delle molecole generate dalla piattaforma ha mostrato capacità di bloccare la proliferazione batterica. Due peptidi antimicrobici sviluppati attraverso ApexGO sono stati inoltre valutati in modelli murini, dimostrando una riduzione della carica infettiva paragonabile a quella ottenuta con antibiotici di ultima linea già approvati dalla Food and Drug Administration (FDA) per il trattamento di infezioni multi-resistenti.

Secondo i ricercatori, uno degli aspetti più innovativi del sistema risiede nella capacità di prevedere con elevata accuratezza quali modifiche molecolari possano tradursi in un reale beneficio biologico. Questo permetterebbe di selezionare rapidamente le molecole più promettenti evitando lunghi cicli sperimentali.

“Abbiamo già identificato centinaia di candidati antibiotici”, spiegano gli autori, sottolineando come strumenti di questo tipo possano aprire nuove prospettive nella gestione dell’antimicrobico-resistenza, considerata una delle principali emergenze sanitarie globali.

L’approccio sviluppato potrebbe inoltre essere esteso ad altri ambiti della ricerca farmacologica, accelerando la progettazione di molecole mirate per differenti patologie. In prospettiva, l’integrazione tra intelligenza artificiale, modellistica predittiva e biologia sperimentale potrebbe modificare profondamente i processi di sviluppo dei farmaci, rendendo più rapido il passaggio dalla ricerca di base alla sperimentazione clinica.