La drug discovery è sempre stata un gioco dalle probabilità scarse. Lo sviluppo di un nuovo farmaco può richiedere molti anni, assorbire ingenti investimenti e, ciò nonostante, fallire prima di raggiungere anche solo un singolo paziente. Per i farmaci biologici, terapie create a partire da proteine ingegnerizzate piuttosto che dalla chimica di sintesi, la sfida è ancora più complessa. Il numero di combinazioni molecolari possibili è talmente vasto che nessun team umano potrebbe esplorarlo in modo sistematico. Questo è il problema che l’IA è chiamata a risolvere oggi, e l’approccio è più sofisticato di quanto la maggior parte della copertura mediatica lasci intendere.
Il ciclo Build-Measure-Learn che sta riducendo i tempi di sviluppo dei farmaci
Il cambiamento fondamentale in atto nella R&D farmaceutica non consiste semplicemente nell’integrazione dell’IA nei flussi di lavoro esistenti. Sta nel fatto che l’IA sta ristrutturando la logica dell’intero processo di discovery.
Presso AstraZeneca, l’approccio segue quello che Puja Sapra, senior vice president e head of R&D biologics engineering and oncology targeted discovery, descrive come un ciclo build-measure-learn. L’IA genera o classifica le molecole candidate tramite calcolo computazionale, prevedendo quali strutture hanno maggiore probabilità di successo prima che venga effettuato qualsiasi esperimento fisico. I ricercatori indirizzano quindi le risorse di laboratorio esclusivamente verso i candidati ai primi posti della classifica. Il risultato è un ciclo di feedback più serrato: meno vicoli ciechi, iterazioni più rapide e la capacità di perseguire target terapeutici precedentemente considerati irraggiungibili.
McKinsey stima che la generative IA, combinata con altri strumenti computazionali, potrebbe ridurre i tempi di drug discovery fino al 50%. Questa cifra merita un contesto. Non significa che l’IA stia sostituendo il giudizio scientifico. Significa che il rapporto tra esperimenti produttivi e quelli infruttuosi sta migliorando, e il tempo che intercorre tra l’ipotesi e il risultato si sta comprimendo.
Ciò che rende possibile tutto questo sono i dati. I dataset di AstraZeneca sono proprietari e multimodali, e integrano strutture molecolari, misurazioni di legame, profili di sicurezza e risultati di produzione. L’azienda ha inoltre investito in tecnologie di deep screening per generare ulteriori dataset al volume necessario per perfezionare e validare continuamente i propri modelli. Come afferma Sapra: “I dati sono il nostro elemento differenziante.”
Progettare farmaci che prima non esistevano
Oltre ad accelerare i tempi, l’IA sta aprendo la strada a una categoria di medicinali che i metodi tradizionali non potevano raggiungere in alcun modo.
I farmaci biologici convenzionali sono solitamente diretti contro un singolo pathway patologico. La generazione successiva, talvolta definita biologici multispecifici, può colpire più target contemporaneamente o rilasciare payload terapeutici a cellule specifiche con grande precisione. La progettazione di queste molecole richiede l’ottimizzazione simultanea di molteplici variabili: efficacia, stabilità, producibilità e sicurezza. Questo tipo di ottimizzazione multidimensionale è esattamente il campo in cui i modelli di IA vantano un vantaggio strutturale rispetto agli approcci manuali.
Sapra descrive uno scenario in cui i modelli di IA potrebbero identificare su quali due o tre target biologici concentrare le priorità, per poi ottimizzare in parallelo tutti i parametri rilevanti. “Rendere trattabili target ritenuti inattaccabili sta diventando una realtà”, afferma. Target un tempo considerati impossibili da raggiungere rientrano ora nella nostra portata.
La visione a più lungo termine è ciò che il settore definisce progettazione “de novo”: l’IA che genera da zero sequenze proteiche completamente nuove, progettate per soddisfare un set preciso di proprietà farmacologiche, incorporando sicurezza e producibilità nella predizione fin dall’inizio. AstraZeneca sta lavorando in questa direzione con una struttura definita “lab of the future” a Kendall Square, Cambridge, Massachusetts. La struttura è progettata come un sistema di discovery a circuito chiuso (closed-loop) dove l’IA elabora previsioni, i sistemi robotici eseguono esperimenti e gli strumenti generano dati che alimentano direttamente i modelli. I sistemi automatizzati high-throughput valuteranno infine migliaia di interazioni molecolari su base settimanale, producendo dati pronti per l’IA su una scala che i flussi di lavoro tradizionali non possono eguagliare.
La previsione della sicurezza è il tassello irrisolto più complesso. Prevedere se una molecola generata per via computazionale sarà sicura nel corpo umano rimane una delle sfide di maggiore impatto nella progettazione de novo. AstraZeneca sta affrontando il problema attraverso sistemi cellulari avanzati e modelli d’organo su microscala che fungono da banchi di prova fisici, abbinati a un’IA che apprende dai loro risultati. Si tratta, a tutti gli effetti, di trial clinici virtuali.
Perché questo è importante oltre il laboratorio
La trasformazione in corso nel settore dei farmaci biologici non è in primo luogo una storia di tecnologia. È una storia su ciò che diventa possibile quando il collo di bottiglia si sposta.
Per decenni, il limite nella drug discovery non è stata l’immaginazione scientifica. Sono stati l’enorme costo e il tempo necessari per testare le idee. La maggior parte dei candidati promettenti non è mai stata esplorata perché la pipeline non poteva assorbirli. L’IA non elimina del tutto questo vincolo, ma ne modifica radicalmente la proporzione. È possibile valutare un maggior numero di candidati, un numero superiore di target patologici diventa praticabile e il ciclo di feedback tra esperimento e intuizione si accorcia.
Tre prerequisiti separano ancora lo stato attuale da una progettazione de novo di farmaci pienamente realizzata: dati di addestramento più ricchi e standardizzati in tutto il settore, benchmark di valutazione solidi per i candidati generati dall’IA e team capaci di operare all’intersezione tra machine learning e biologia. Nessuno di questi aspetti è banale. Ma la direzione è chiara.
Un aspetto fondamentale è che il ruolo dell’uomo in questo processo non sta diminuendo. I ricercatori rimangono centrali per la supervisione, il giudizio e la direzione strategica. L’obiettivo non è la progettazione autonoma di farmaci senza l’apporto umano, bensì un sistema in cui l’IA gestisce il volume combinatorio che gli esseri umani non possono affrontare, mentre i ricercatori si concentrano sulle decisioni che richiedono intuizione biologica, ragionamento etico e responsabilità verso i pazienti.
In sintesi
L’IA non sta sostituendo la drug discovery: ne sta ristrutturando la logica. Riducendo lo spazio di ricerca per via computazionale, consentendo la progettazione di farmaci multitarget e creando sistemi a circuito chiuso in cui ogni esperimento migliora la previsione successiva, la R&D farmaceutica si sta muovendo verso un modello in cui il fattore limitante non è più il numero di esperimenti che un team può condurre. L’obiettivo, ancora in divenire, è un farmaco biologico completamente generato dall’IA, progettato da zero fino a diventare un candidato clinico. I prerequisiti sono impegnativi, ma la traiettoria non è più speculativa.
Basato su un articolo di MIT Technology Review.