Negli ultimi anni l’Intelligenza Artificiale sta cambiando radicalmente il modo in cui vengono scoperti e sviluppati i farmaci, aiutando ricercatori e medici (senza sostituirli!) a prendere decisioni più mirate, veloci e meno soggette a errori. In un settore in cui servono, a volte, più di dieci anni e miliardi di euro per “portare una molecola” dal laboratorio al paziente, ogni passo reso più efficiente grazie alla tecnologia può tradursi in nuovi trattamenti disponibili in tempi record e a costi più sostenibili per le aziende farmaceutiche.
Ma per capire che cosa stia davvero succedendo in questo settore così dinamico conviene partire dall’inizio della storia di ogni farmaco, ossia la scelta del bersaglio giusto.
Indice degli argomenti
Intelligenza artificiale nella scoperta dei farmaci: come si trovano nuovi bersagli
Da decenni, gran parte della ricerca biomedica si concentra su un numero relativamente limitato di proteine e di meccanismi biologici, un po’ come se tutti gli esploratori contemporanei continuassero a cercare tesori nelle stesse isole già mappate da decenni o da secoli. Questo succede perché studiare a fondo la biologia umana è complesso, costoso e lento, e la tentazione di seguire i (comodi) “sentieri battuti” dei predecessori è forte.
Aziende e centri di ricerca tendono così a inseguire continuamente gli stessi obiettivi considerati promettenti, come possono essere certi geni coinvolti nei tumori o nella regolazione dell’appetito. L’Intelligenza Artificiale, però, sta permettendo di allargare l’orizzonte integrando quantità di dati che nessun gruppo di ricercatori potrebbe (o si sognerebbe di) analizzare da solo, con risultati di esperimenti su singole cellule, dati genetici di centinaia di migliaia di persone, letteratura scientifica e registri clinici a disposizione.
Dati integrati e ricerca “a largo raggio”
In questo approccio contano la capacità di combinare fonti diverse e di far emergere connessioni non ovvie, mantenendo però un punto fermo: l’IA non sostituisce l’esperimento, ma aiuta a scegliere meglio che cosa testare e in che ordine.
Un esempio concreto: dal gene candidato ai mini-organi in meno di un anno
Questo approccio ha già prodotto esempi concreti, come nel caso della malattia renale policistica autosomica dominante, una patologia ereditaria che porta alla formazione di cisti nei reni fino alla loro perdita di funzionalità, tanto da ricorrere a dialisi o trapianto. In una delle ultime ricerche, alcuni scienziati hanno utilizzato modelli digitali di cellule malate e, grazie all’Intelligenza Artificiale, hanno “acceso e spento” virtualmente migliaia di geni per capire quali fossero davvero coinvolti nella progressione della malattia.
In parallelo, algoritmi di analisi automatica hanno setacciato enormi archivi di articoli scientifici, banche dati genetiche e risultati di esperimenti su singole cellule, riducendo rapidamente a qualche decina il numero di geni candidati da verificare in laboratorio. Il passaggio successivo, ancora essenziale, è stato sperimentale: questi geni sono stati testati in piccoli “mini-reni” coltivati in provetta, che riproducono molte caratteristiche della malattia che colpisce l’uomo, finché il team non è arrivato a cinque bersagli promettenti in meno di un anno di lavoro.
Un’impresa che, con gli approcci tradizionali, avrebbe richiesto forse molti anni di tentativi e risorse economiche immense.
IA nella scoperta dei farmaci: dalla “forza bruta” alla molecola giusta
Trovato il bersaglio, inizia un’altra parte delicatissima del viaggio: immaginare la molecola giusta. Fino a poco tempo fa, i “cacciatori di farmaci” seguivano una strategia in parte basata sulla “forza bruta”: si preparavano o testavano al computer librerie composte da centinaia di migliaia (e talvolta milioni) di molecole, nella speranza che qualcuna si legasse al bersaglio nel modo desiderato.
Quando si otteneva un primo “colpo” (un composto che funzionava anche solo debolmente), iniziava una lunga fase di ottimizzazione, quasi un gioco di equilibrio impossibile: migliorare la capacità di legarsi al bersaglio senza peggiorarne la solubilità; aumentare la stabilità evitando al contempo che la sostanza diventasse tossica; e regolare, infine, quanto tempo rimanesse in circolo nell’organismo senza accumularsi negli organi sbagliati.
L’amara verità è che ogni modifica chimica può migliorare un parametro ma peggiorarne un altro, e spesso si lavora contemporaneamente su venti o trenta caratteristiche diverse.
Quando l’IA propone molecole nuove: esplorare l’universo chimico in ore
La parte interessante delle nuove scoperte, nel settore in esame, è che invece di limitarsi a valutare molecole esistenti i nuovi modelli di Intelligenza Artificiale imparano da strutture chimiche già note (e dalle loro proprietà) per proporre composti completamente nuovi, mai sintetizzati prima. È come se a fianco del chimico comparisse un assistente instancabile, capace di esplorare in poche ore regioni dell’“universo chimico” che, altrimenti, richiederebbero vite intere di molti professionisti (ben finanziati).
In un progetto dedicato alle malattie neurodegenerative, come la malattia di Huntington[1], alcuni scienziati hanno usato l’Intelligenza Artificiale per identificare una proteina da eliminare attraverso un meccanismo chiamato “degradazione intracellulare”, sfruttando molecole note come “molecular glue degraders”, piccole sostanze che fanno da colla tra il bersaglio indesiderato e il sistema di smaltimento dei rifiuti della cellula.
Dal design generativo ai filtri predittivi
Riuscire a far arrivare queste molecole al cervello, in forma di farmaco assunto per bocca, è però un obiettivo particolarmente arduo. Grazie a sistemi generativi, sono stati disegnati al computer circa quindici milioni di composti e, con l’aiuto di modelli predittivi, ne sono stati filtrati poche decine, selezionando quelli con la maggiore probabilità di penetrare nel cervello, di essere assorbiti in modo adeguato e di non risultare tossici.
Successivamente, in laboratorio, sono state sintetizzate e valutate solo una sessantina di molecole e da questa piccola frazione è emersa una struttura particolarmente promettente, ora in fase avanzata di ottimizzazione. Sia chiaro, però: questo cambio di paradigma non significa che il computer “inventa da solo” il farmaco perfetto, bensì che riduce drasticamente il numero di tentativi necessari per arrivare a una buona candidata, risparmiando anni di lavoro e grandi quantità di materiali.
Gli studi scientifici pubblicati negli ultimi anni confermano che queste tecniche possono restringere enormemente lo spazio di ricerca, concentrandosi nelle regioni in cui è più probabile trovare molecole efficaci e relativamente sicure. In pratica, la fase di scoperta, un tempo basata su lunghi giri a vuoto, si sta trasformando in un processo più guidato, dove l’intuizione del ricercatore si affianca a quella, diversa ma complementare, dell’algoritmo.
Intelligenza artificiale nella scoperta dei farmaci: sicurezza e tossicità previste prima
Una volta identificata una molecola che sembra funzionare, entra in gioco un altro snodo decisivo: la sicurezza. Anche qui l’Intelligenza Artificiale sta dando un contributo importante, sfruttando un patrimonio che le grandi aziende farmaceutiche e le agenzie regolatorie hanno accumulato silenziosamente per decenni, vale a dire i dati di studi preclinici e clinici (spesso conservati in sistemi eterogenei e difficili da interrogare, ma questa è “un’altra storia”).
Su questa base, è possibile addestrare modelli che imparano a riconoscere schemi associati a specifici effetti collaterali, come certi disturbi del ritmo cardiaco legati a particolari classi di farmaci. Analizzando i profili di attività delle cellule cardiache esposte a diversi composti, gli algoritmi riescono a prevedere con una certa accuratezza quali nuove molecole presentano un rischio elevato di generare problemi simili negli esseri umani.
In alcuni programmi di ricerca, si è visto che questi sistemi erano in grado di segnalare per tempo molecole altrimenti promettenti ma con un forte segnale di tossicità cardiaca, confermato in seguito dagli esperimenti di laboratorio. Siamo dinanzi a un’informazione che permette di “fermare in anticipo” l’imbocco di strade sbagliate, concentrando energie su candidati più sicuri.
In prospettiva, questo approccio potrebbe non solo accelerare i tempi di sviluppo, ma anche contribuire a ridurre l’uso di animali nella sperimentazione, una priorità condivisa da scienziati e autorità regolatorie insieme a diverse associazioni animaliste a livello mondiale.
Dalla ricerca ai pazienti: arruolamento e studi clinici più efficienti
La trasformazione guidata dall’Intelligenza Artificiale non si ferma comunque nei laboratori di chimica e biologia, poiché riguarda sempre più anche le fasi cliniche, cioè gli studi sui pazienti. Uno dei grandi ostacoli nello sviluppo dei farmaci è il reclutamento: trovare (in tempi ragionevoli) persone con caratteristiche precise, come può essere un particolare stadio di malattia o una specifica variante genetica, è spesso difficilissimo, al punto da rallentare o bloccare interi programmi di ricerca.
I sistemi di analisi avanzata possono esaminare, in forma anonimizzata (se non pseudonimizzata, ossia codificata, ai sensi del GDPR) e con adeguate tutele, dati provenienti da cartelle cliniche elettroniche, registri di malattia, immagini diagnostiche e profili genetici per individuare in anticipo i centri e le popolazioni in cui la probabilità di trovare pazienti adatti è più elevata.
Questo non solo riduce i tempi di arruolamento, ma può favorire una partecipazione più ampia e diversificata, superando alcuni limiti degli studi condotti solo in pochi paesi o in grandi centri urbani.
Progettare i trial con simulazioni e scenari “a tavolino”
Anche la progettazione stessa degli studi clinici può beneficiare di modelli predittivi. Sfruttando simulazioni basate su dati storici, è possibile confrontare “a tavolino” diversi scenari, che possono essere gli intervalli di dosaggio, la durata del trattamento, i criteri di inclusione e la frequenza delle visite.
Gli algoritmi aiutano a capire quale combinazione massimizzi le probabilità di ottenere un risultato chiaro con il minor numero di pazienti, riducendo sprechi e ritardi. In alcuni casi, si sperimentano disegni “adattivi”, in cui certi parametri possono essere modificati in corso d’opera sulla base dei dati raccolti, mantenendo ovviamente il rispetto di regole etiche e regolatorie molto stringenti.
Intelligenza artificiale nella scoperta dei farmaci: farmacovigilanza dopo l’immissione in commercio
Un altro campo in cui l’Intelligenza Artificiale sta lasciando il segno è la farmacovigilanza, cioè il monitoraggio della sicurezza dei farmaci dopo la loro immissione in commercio[2]. Tradizionalmente, questa attività si basa su segnalazioni spontanee da parte di medici, farmacisti e pazienti, che vengono poi analizzate da esperti per cercare eventuali segnali di rischio.
Con l’aumento enorme dei dati disponibili, dalle segnalazioni avverse alle cartelle cliniche, fino alle informazioni raccolte nei registri di malattia, diventa a volte quasi impossibile valutare tutto in tempi rapidi. Gli strumenti di Intelligenza Artificiale a disposizione sono oggi in grado di filtrare automaticamente enormi flussi di informazioni, mettendo in evidenza pattern anomali che meritano attenzione, come può essere un aumento insolito di un certo tipo di evento avverso associato a una specifica terapia.
Gli esperti, che rimangono comunque responsabili dell’interpretazione dei dati forniti dalla macchina, possono concentrarsi sui casi più importanti invece di disperdere energie in controlli ripetitivi.
Dati, trasparenza e regole: le sfide che decidono l’impatto reale dell’IA
Questa rivoluzione tecnologica, però, non è priva di sfide e interrogativi. Innanzitutto, la qualità dei dati: modelli sofisticatissimi rischiano di produrre risultati fuorvianti se alimentati con informazioni incomplete, distorte o non rappresentative di tutti i gruppi di popolazione. Studi recenti[3] sottolineano che i dati disponibili possono essere sbilanciati geograficamente, etnicamente o in termini di gravità di malattia, con il rischio che le previsioni dell’algoritmo funzionino bene per alcuni pazienti ma molto meno per altri.
Questo solleva questioni di equità e di giustizia, poiché se un modello di Intelligenza Artificiale guida la scelta dei bersagli o dei farmaci candidati, bisogna chiedersi per chi questi farmaci saranno davvero efficaci e sicuri. In secondo luogo, c’è il tema della trasparenza. Molti algoritmi, in particolare quelli più complessi basati su reti neurali profonde (modelli di apprendimento automatico o Machine Learning che riconoscono schemi complessi), sono spesso descritti come “scatole nere”, poiché forniscono previsioni accurate senza spiegare “in modo intuitivo” il perché di quel ragionamento.
Questo è un vero problema in un settore fortemente regolato come quello farmaceutico, in cui agenzie come EMA (Unione Europea) e FDA (Stati Uniti) chiedono di poter valutare non solo il risultato, ma anche il processo che ha portato a quel risultato. Negli ultimi anni le autorità delle due sponde dell’Atlantico hanno iniziato a pubblicare documenti di indirizzo che delineano come e dove l’Intelligenza Artificiale può essere usata in sicurezza nel ciclo di vita dei medicinali, ribadendo che la responsabilità finale rimane sempre in capo agli sviluppatori e ai titolari dell’autorizzazione.[4]
Fiducia pubblica e privacy: perché la governance è parte della cura
C’è infine una questione più ampia che attiene alla fiducia pubblica. I pazienti, le associazioni e la società, nel suo complesso, devono poter credere (e deve essere vero!) che questi strumenti vengano usati in modo responsabile, nel rispetto della privacy e dei diritti fondamentali, e che non sostituiranno il giudizio clinico del medico, ma lo rafforzeranno.
In Europa, per esempio, l’uso dei dati sanitari per fini di ricerca è regolato da norme severe (GDPR su tutti), che richiedono misure tecniche e organizzative per proteggere l’identità delle persone e garantire che i trattamenti siano proporzionati e giustificati. A livello internazionale, consessi come il World Economic Forum sottolineano spesso la necessità di una governance etica dell’Intelligenza Artificiale in sanità, incentrata sui bisogni dei pazienti, sulla trasparenza e sulla collaborazione tra pubblico e privato.
Nonostante queste complessità, il quadro che emerge è quello di un settore che si sta lentamente, ma inesorabilmente, riorganizzando intorno ai dati e alla capacità di interpretarli. Nella scoperta dei farmaci, l’Intelligenza Artificiale non promette scorciatoie miracolose, non eliminando né la necessità di studi lunghi e rigorosi, né l’elemento di incertezza che accompagna ogni sperimentazione sull’essere umano.
Quello che offre, però, è un modo più intelligente di affrontare questa incertezza, permettendo di scegliere meglio su quali bersagli puntare, quali molecole progettare e quali candidati scartare per tempo perché troppo rischiosi. In definitiva, più che un “genio nella lampada”, l’Intelligenza Artificiale si sta rivelando uno strumento per prendere decisioni migliori, più in fretta, in un campo in cui ogni anno risparmiato può tradursi in nuove possibilità di cura per persone che oggi non hanno alternative.[5]
Note
[1] An orally available, brain penetrant, small molecule lowers huntingtin levels by enhancing pseudoexon inclusion. PubMed. http://pmc.ncbi.nlm.nih.gov/articles/PMC8894458/
[2] Review of AI/ML applications in medicines lifecycle (2024). EMA. https://www.ema.europa.eu/en/documents/report/review-artificial-intelligence-machine-learning-applications-medicines-lifecycle-2024-horizon-scanning-short-report_en.pdf
[3] Application of Artificial Intelligence In Drug-target Interactions Prediction: A Review. Nature. https://www.nature.com/articles/s44385-024-00003-9
[4] Artificial intelligence (AI) in drug design and discovery: A comprehensive review. ScienceDirect. https://www.sciencedirect.com/science/article/pii/S3050787125000484
[5] Here’s how AI is reshaping drug discovery. World Economic Forum. https://www.weforum.org/stories/2026/01/how-ai-is-reshaping-drug-discovery/
