Computer quantistici e nuovi farmaci: cosa possiamo fare già oggi

La modellazione delle interazioni farmaco-molecola – cruciale per il drug discovery – è uno dei problemi computazionalmente più esigenti della chimica quantistica, perché richiede di rappresentare fedelmente sistemi elettronici complessi che il calcolo classico approssima con margini di errore significativi.

Il calcolo quantistico promette una svolta, ma l’accesso a hardware reale resta oggi limitato, costoso e spesso incompatibile con le esigenze di sperimentazione iterativa della ricerca farmaceutica. Gli emulatori quantistici su GPU offrono un terreno intermedio: permettono a ricercatori e aziende biotech di prototipare algoritmi di simulazione molecolare – calcolo di energie di legame, docking, ottimizzazione di conformazioni – senza i costi e le complessità di accesso a QPU reali, preparando il terreno per una futura migrazione su hardware quantistico nativo. L’articolo esplora lo stato dell’arte, i limiti attuali e le prospettive di questo approccio ibrido per il settore life sciences.

Dove finisce la dinamica molecolare classica

1. Il problema: dove finisce la dinamica molecolare classica
   Prima di parlare di quantistico, vale la pena mostrare — con casi concreti e verificabili — dove il calcolo classico arriva e dove si ferma. Tre lavori recenti sulla simulazione di proteine coinvolte in malattie neurodegenerative illustrano bene il problema. Immaginiamo una proteina come una lunga collana che si ripiega su sé stessa in una forma tridimensionale complicata. Un farmaco deve incastrarsi in un punto preciso di questa forma per funzionare. Il problema è che molte proteine importanti — comprese quelle coinvolte nel Parkinson e nell’Alzheimer — non hanno affatto una forma fissa: cambiano continuamente, come un filo che si muove nell’acqua. Per questo si parla di “proteine intrinsecamente disordinate“: più che una singola forma, hanno un insieme enorme di forme possibili, tra cui oscillano in continuazione.

Alfa-sinucleina e ligandi: quando serve forza bruta

Uno studio del 2022 (Semenyuk, pubblicato su Int. J. Mol. Sci.) ha provato a capire dove tre molecole candidate a farmaco si legano all’alfa-sinucleina, la proteina protagonista del Parkinson. Per farlo, i ricercatori non hanno lanciato una simulazione sola, ma 84 simulazioni in parallelo, ciascuna a una temperatura leggermente diversa — una tecnica chiamata REMD, pensata apposta per esplorare tutte le forme possibili di una proteina così mobile. Il risultato ha previsto correttamente dove le molecole si agganciano, confermato poi da esperimenti reali in laboratorio. È emerso anche qualcosa di interessante: una delle tre molecole (PcTS) sembra proteggere la proteina dall’aggregarsi in filamenti tossici, mentre un’altra (la spermina) sembra invece favorirla.

L’autore stesso indica esplicitamente che il metodo richiede risorse di calcolo molto potenti, e che l’aggiunta anche di una sola molecola di ligando aumenta il costo computazionale in modo sproporzionato rispetto alla proteina isolata — un vincolo intrinseco all’approccio, non un dettaglio implementativo.

Il primo contatto con la membrana:dove nasce l’aggregazione

Un secondo studio (Amos, Sansom e colleghi, 2021, J. Phys. Chem. B) si è concentrato su un momento ancora più a monte: quando l’alfa-sinucleina tocca per la prima volta la membrana di una cellula, un passaggio che potrebbe essere l’innesco iniziale della malattia. I ricercatori hanno usato tre livelli di simulazione via via più dettagliati, confermando i risultati con misure di laboratorio (NMR e spettrometria di massa). Hanno scoperto che in una zona precisa della proteina — attorno ai residui 65-70, cioè un tratto specifico della sua sequenza — la struttura normalmente “a elica” si rompe e la proteina può assumere localmente la stessa forma che si trova poi nelle fibrille malate. È come se la membrana stessa innescasse il primo passo verso l’aggregazione tossica. Anche qui il costo computazionale è rilevante: decine di repliche, oltre 5 microsecondi di tempo simulato ad alta risoluzione atomistica, più l’analisi a valle su migliaia di microstati del Markov Model.

Tre proteine, tre malattie, un’unica domanda: dove si toccano?

Un terzo lavoro, ancora in fase di revisione scientifica (Roosan e colleghi, 2025, disponibile come preprint su arXiv), ha simulato separatamente tre proteine legate a diverse malattie neurodegenerative — APP e Tau, coinvolte nell’Alzheimer, e l’alfa-sinucleina del Parkinson — chiedendosi se e come potrebbero interagire tra loro nello stesso paziente. Hanno trovato che la coppia APP–alfa-sinucleina è quella che si “attrae” di più dal punto di vista elettrico, formando legami temporanei tra le due proteine — un punto di contatto che in teoria potrebbe diventare bersaglio di un farmaco.

La cosa interessante è che gli stessi autori dicono chiaramente che, con la tecnologia di oggi, sarebbe impossibile simulare queste proteine con un livello di dettaglio quantistico completo — troppo complesso, troppo costoso. Però individuano esattamente i punti (come il contatto tra APP e alfa-sinucleina) dove in futuro un calcolo quantistico mirato, concentrato solo su quella piccola zona, potrebbe dare risposte più precise di quanto riescano a fare oggi i metodi classici.

Dal calcolo classico al ponte quantistico

Il filo conduttore dei tre studi è semplice: il calcolo classico riesce ad andare molto lontano, ma lo fa a un prezzo — tempo, energia, potenza di calcolo — che cresce rapidissimamente man mano che il sistema si fa più grande o più dettagliato. E in certi punti molto specifici, come i siti dove due proteine si toccano, il limite non è solo di potenza: è che il fenomeno stesso — come si comportano gli elettroni quando due molecole si avvicinano — è per sua natura un fenomeno quantistico, che un computer classico può solo approssimare. È qui che si inserisce, in linea di principio, il calcolo quantistico: non come sostituto della dinamica molecolare classica, ma come strumento complementare per le porzioni di sistema — tipicamente i siti attivi, le interfacce di legame, i punti di contatto elettrostatico — dove la natura quantistica dell’interazione è il fattore limitante. È in queste “zone calde” — piccole, ma cruciali — che in teoria il calcolo quantistico potrebbe fare la differenza: non sostituendo tutta la simulazione classica, ma completandola esattamente nei punti dove serve la precisione di un modello quantistico, come suggerito dallo stesso studio di Roosan e colleghi a proposito del contatto tra APP e alfa-sinucleina.

Il ruolo degli emulatori quantistici su GPU

Il problema pratico è che i computer quantistici veri sono ancora pochi, difficili da raggiungere, con un numero limitato di qubit affidabili e tempi di attesa lunghi — poco compatibili con il modo di lavorare di un laboratorio farmaceutico, dove si vogliono testare tante varianti di una molecola in tempi rapidi. L’accesso a QPU (Quantum Processing Unit) reali resta oggi limitato: pochi qubit fisici realmente disponibili, tassi di errore elevati, tempi di coda lunghi, costi non compatibili con un ciclo di sperimentazione iterativo tipico della ricerca farmaceutica (dove un chimico computazionale può voler testare decine di varianti di un candidato in un giorno). Un emulatore quantistico – programma che gira su normali GPU e riproduce matematicamente il comportamento di un computer quantistico – permette di aggirare questo collo di bottiglia: si possono scrivere, testare e mettere a punto algoritmi quantistici di simulazione molecolare fin da subito, senza dover prenotare tempo su un computer quantistico vero. È importante, però, ricordare i limiti strutturali di questo approccio: un emulatore in architettura State Vector raddoppia il fabbisogno di memoria per ogni qubit aggiunto, il che pone un muro pratico attorno a 60–70 qubit; e soprattutto, trattandosi di un’emulazione su hardware classico, riproduce il comportamento matematico di un sistema quantistico, ma lo fa con le stesse risorse di calcolo (per quanto ottimizzate) di un computer classico. Il valore dell’emulazione sta nella possibilità di sviluppare, testare e validare algoritmi e ipotesi molecolari prima e a prescindere dall’accesso all’hardware quantistico nativo, non nel sostituirne la potenza di calcolo.

Stato dell’arte e prospettive per il drug discovery

Ad oggi, in letteratura non risultano — nei tre paper citati né altrove nel corpus consultato per questo articolo — casi pubblicati di simulazione completa di interazione farmaco-molecola condotta su un emulatore quantistico GPU e poi validata sperimentalmente: il lavoro di Roosan et al. si ferma a indicare la direzione (le regioni dove un calcolo quantistico localizzato avrebbe senso), non a eseguirlo. Questa distinzione va mantenuta con chiarezza: la strada dall’identificazione di un’interfaccia elettrostatica interessante a un algoritmo quantistico validato per quell’interfaccia è ancora aperta. Le prospettive più concrete nel breve periodo riguardano l’uso di emulatori quantistici per il prototipaggio di algoritmi ibridi quantistico-classici (QM/MM quantum-enhanced) su porzioni ridotte di sistemi molecolari — dell’ordine di poche decine di qubit — compatibili con i limiti architetturali sopra descritti, in attesa che l’hardware quantistico nativo raggiunga scala e affidabilità sufficienti per sistemi delle dimensioni discusse nei paper citati (decine di migliaia di atomi nel caso della dinamica classica completa).