AI e Scoperta di Farmaci — Dal Protein Folding ai Candidati Clinici

Cos'è: Un'analisi del ruolo dell'AI nell'accelerare la scoperta di nuovi farmaci: dai modelli di protein folding alla generazione automatica di molecole, fino al primo composto interamente progettato da AI ad entrare in fase clinica.

Il costo insostenibile della ricerca farmaceutica tradizionale

Trovare un nuovo farmaco approvato dalla FDA richiede in media 12 anni di lavoro e circa 2,6 miliardi di dollari di investimento, secondo le stime di Tufts Center for the Study of Drug Development. Di questi, la fase di discovery — identificazione del target biologico, progettazione della molecola, ottimizzazione del composto — assorbe anni di screening ad alto throughput e centinaia di milioni di dollari in infrastrutture di laboratorio. Il tasso di fallimento è brutale: meno del 10% dei candidati che entrano in fase 1 clinica ottengono l'approvazione finale. La maggior parte dei fallimenti avviene per tossicità non prevista o per efficacia insufficiente, difetti che in teoria potrebbero essere intercettati molto prima con modelli predittivi adeguati.

AlphaFold e AlphaFold 3: oltre la struttura delle proteine

Il lancio di AlphaFold 2 da parte di DeepMind nel 2020 ha rappresentato una svolta genuina: il problema del protein folding, rimasto irrisolto per cinquant'anni, è stato risolto con un'accuratezza paragonabile alla cristallografia a raggi X. DeepMind ha reso disponibile il database di oltre 200 milioni di strutture proteiche gratuitamente, trasformando radicalmente il punto di partenza della ricerca sul target. Ma AlphaFold 2 predice strutture statiche di proteine isolate. AlphaFold 3, presentato a maggio 2024 su Nature, estende le capacità al modellamento delle interazioni tra proteine e ligandi — ovvero le molecole candidate a diventare farmaci. Questo è il salto critico per il drug design: non basta sapere come è fatta la proteina target, bisogna predire come un candidato molecolare si lega ad essa, con quale affinità e selettività. AlphaFold 3 introduce un'architettura diffusion-based che consente di modellare complessi proteina-DNA, proteina-RNA e proteina-ligando con precisione significativamente superiore ai metodi precedenti, aprendo la strada a cicli di ottimizzazione molecolare guidati da AI.

Insilico Medicine e ISM001-055: il primo farmaco AI-designed in fase clinica

Insilico Medicine è l'azienda che ha portato il concetto di AI-driven drug discovery dalla teoria alla pratica clinica concreta. Nel 2023 il loro candidato ISM001-055, un inibitore di TNIK (Traf2 and NCK-interacting kinase) sviluppato interamente con pipeline generativa AI, ha completato la fase 1 e ricevuto l'autorizzazione a procedere alla fase 2 per il trattamento della fibrosi polmonare idiopatica (IPF). L'intero processo dalla identificazione del target alla selezione del candidato ha richiesto circa 18 mesi, contro i 5-6 anni tipici per questa fase con metodi convenzionali. La piattaforma Pharma.AI di Insilico combina tre moduli: PandaOmics per la target identification attraverso analisi multi-omica, Chemistry42 per la generazione e ottimizzazione di molecole tramite reinforcement learning, e InClinico per la predizione dell'esito degli studi clinici. Non si tratta di AI come strumento di supporto, ma di AI come motore principale della pipeline decisionale.

Recursion Pharmaceuticals e l'approccio phenomics

Un approccio radicalmente diverso è quello di Recursion Pharmaceuticals, quotata al NYSE nel 2023. Invece di partire dal target molecolare, Recursion costruisce mappe fenotipiche ad altissima risoluzione: le cellule vengono trattate con migliaia di composti e fotografate con microscopia ad alta automazione, generando dataset visivi enormi che vengono poi analizzati da modelli di computer vision. L'idea è identificare pattern fenotipici — come le cellule cambiano forma, distribuzione, espressione — che correlano con attività biologica desiderata, indipendentemente dal meccanismo molecolare preciso. Questo approccio cosiddetto phenomics-first è particolarmente utile per malattie rare in cui la biologia del target non è completamente compresa. Recursion ha partnership attive con Roche e Bayer, e la sua pipeline include candidati per malattie del sistema nervoso centrale e fibrosi. Il rischio è che la correlazione fenomica non garantisca selettività farmacologica: un composto può produrre il fenotipo desiderato per ragioni off-target con conseguenze tossicologiche imprevedibili.

Cosa l'AI accelera e cosa rimane invariato: la validazione biologica come collo di bottiglia

L'onestà intellettuale impone di distinguere tra le fasi in cui l'AI porta un vantaggio misurabile e quelle in cui il processo rimane strutturalmente inalterato. L'AI è efficace in: identificazione e validazione dei target biologici attraverso analisi genomica e proteomica su scala; generazione e ottimizzazione di molecole candidate con predizione delle proprietà ADMET (assorbimento, distribuzione, metabolismo, escrezione, tossicità); riduzione del tempo di hit identification da mesi a giorni. L'AI non sostituisce e difficilmente sostituirà nel breve termine: i trial clinici di fase 1, 2 e 3, che richiedono anni per ragioni di sicurezza e numerosità statistica; la validazione biologica in vivo, in cui i modelli predittivi ancora falliscono sistematicamente su fenomeni complessi come immunogenicità o tossicità epatica idiosincratica; il processo regolatorio FDA/EMA, che per definizione valuta dati empirici e non predizioni computazionali. Il collo di bottiglia si è spostato: non è più la generazione di candidati molecolari, ma la loro validazione biologica progressiva. La capacità di generare migliaia di candidati plausibili in silico crea un nuovo problema di selezione e prioritizzazione che i laboratori fisici non riescono ad assorbire alla stessa velocità.

---