Scoperta di farmaci con l’intelligenza artificiale: come funziona, fasi e limiti

Sviluppare un nuovo farmaco è una delle imprese più lunghe, costose e incerte della scienza moderna. Servono in genere oltre dieci anni di lavoro, investimenti che le stime più citate collocano nell’ordine del miliardo di dollari e, nonostante tutto, la grande maggioranza dei candidati non arriva mai in farmacia. Per questo l’idea che l’intelligenza artificiale e il deep learning possano accorciare i tempi e ridurre gli errori ha attirato l’attenzione di università, aziende farmaceutiche e startup di tutto il mondo.

In questa guida ti spiego, senza gergo inutile, come funziona la scoperta di farmaci assistita dall’AI: quali fasi del processo cambia davvero, quali tecniche vengono usate, dove i modelli funzionano bene e dove invece restano limiti importanti.

L’obiettivo non è venderti un miracolo, ma darti una mappa chiara che resti valida nel tempo, anche quando i singoli modelli cambieranno.

Perché scoprire un farmaco è così difficile

Per capire che cosa può fare l’AI bisogna prima capire dove il processo tradizionale si inceppa. Un farmaco, nella maggior parte dei casi, è una molecola che si lega a una proteina coinvolta in una malattia e ne modifica il comportamento: la blocca, la attiva o ne regola l’attività. Trovare la molecola giusta per la proteina giusta è un problema di dimensioni quasi inimmaginabili.

Gli chimici parlano di spazio chimico per indicare l’insieme di tutte le molecole organiche di dimensioni ragionevoli che potrebbero in teoria esistere. Le stime sul suo ordine di grandezza sono enormi, molto oltre qualsiasi cosa si possa sintetizzare e testare in laboratorio. Nessun team, per quanto attrezzato, può esplorarlo a tappeto.

Le fasi classiche del percorso

Il percorso tradizionale si sviluppa in tappe successive. Si parte dall’identificazione di un bersaglio biologico, cioè la proteina o il meccanismo su cui intervenire. Segue la ricerca di molecole che interagiscono con quel bersaglio, la loro ottimizzazione per renderle più potenti, selettive e sicure, e poi gli studi preclinici su cellule e animali.

Solo dopo arrivano i test sull’uomo, divisi in tre fasi cliniche: la prima valuta soprattutto la sicurezza, la seconda inizia a misurare l’efficacia su un numero limitato di pazienti, la terza conferma i risultati su gruppi più ampi. Infine c’è l’esame delle autorità regolatorie.

Ogni passaggio è un filtro, e a ogni filtro molti candidati cadono.

Dove si perdono tempo e denaro

I fallimenti più costosi sono quelli che arrivano tardi, per esempio quando un composto che sembrava promettente si rivela poco efficace nei pazienti oppure tossico in modo inatteso. Ogni errore scoperto in fase clinica costa anni di lavoro e somme molto elevate.

L’idea di fondo dell’AI applicata alla farmaceutica è semplice: spostare gli errori il più possibile all’inizio, quando sbagliare costa poco. Se un modello riesce a scartare al computer migliaia di molecole inadatte prima ancora che qualcuno le sintetizzi, il laboratorio può concentrarsi su un numero minore di candidati migliori.

Dove entra l’intelligenza artificiale nella pipeline

L’AI non sostituisce il processo, lo attraversa in più punti. Non esiste un unico algoritmo che scopre un farmaco da solo: esistono modelli diversi, ciascuno specializzato in un compito, che si integrano con il lavoro di chimici, biologi e medici.

1. Identificare il bersaglio giusto

Il primo problema è capire su quale proteina o via biologica agire. I modelli di machine learning possono analizzare grandi quantità di dati genomici, di espressione genica e di letteratura scientifica per individuare geni e proteine associati a una malattia. Gli strumenti di elaborazione del linguaggio naturale leggono migliaia di articoli per far emergere relazioni che un ricercatore impiegherebbe mesi a collegare.

Qui l’AI propone ipotesi, non verità. Ogni bersaglio suggerito va poi validato con esperimenti reali.

2. Prevedere la struttura delle proteine

Per progettare una molecola che si leghi a una proteina conviene conoscerne la forma tridimensionale. Per decenni determinarla sperimentalmente è stato lento e laborioso. Con AlphaFold, il sistema di DeepMind che ha dimostrato risultati eccezionali alla competizione CASP del 2020, la previsione della struttura a partire dalla sequenza di amminoacidi è diventata molto più accessibile.

Il lavoro su questo fronte è stato riconosciuto con il Premio Nobel per la Chimica 2024, assegnato a Demis Hassabis e John Jumper per la previsione delle strutture proteiche e a David Baker per la progettazione computazionale di proteine. Se vuoi un approfondimento specifico, trovi tutto nella nostra analisi su AlphaFold 3 e la biologia molecolare.

Una struttura prevista non è però una struttura verificata: va trattata come un ottimo punto di partenza.

3. Il virtual screening

Il virtual screening consiste nel testare al computer intere librerie di molecole contro un bersaglio, stimando quanto bene ciascuna si leghi. Metodi classici come il docking molecolare simulano l’incastro tra molecola e proteina. I modelli di machine learning possono accelerare o affinare questa stima imparando da dati sperimentali già disponibili.

Il vantaggio pratico è la scala: invece di saggiare qualche migliaio di composti in laboratorio, si può filtrare un numero molto più grande in silico e portare in provetta soltanto i più promettenti.

4. Progettare molecole nuove con i modelli generativi

La novità più discussa è la progettazione generativa. Invece di cercare in un catalogo di molecole esistenti, un modello generativo propone strutture mai sintetizzate, ottimizzate per avere certe proprietà: affinità col bersaglio, solubilità, facilità di sintesi. Le architetture usate comprendono reti neurali ricorrenti, autoencoder, modelli a diffusione e trasformatori addestrati sulle rappresentazioni testuali delle molecole.

Esiste un analogo anche per le proteine, in cui i modelli progettano sequenze nuove con una funzione desiderata. Un esempio recente di questo filone lo trovi nel nostro articolo su Claude che progetta proteine binder validate in laboratorio.

Il punto delicato resta sempre lo stesso: una molecola ben disegnata sullo schermo deve poi essere sintetizzabile e funzionare nel mondo reale.

5. Prevedere assorbimento, tossicità e altre proprietà

Un composto efficace ma tossico non serve a nessuno. Per questo si usano modelli che stimano le proprietà note con la sigla ADMET: assorbimento, distribuzione, metabolismo, escrezione e tossicità. Prevedere queste caratteristiche in anticipo permette di eliminare molecole problematiche prima dei test su animali e su persone.

Questi modelli sono alimentati da dati sperimentali raccolti in anni di ricerca, e la loro qualità dipende in modo diretto da quanto quei dati sono ampi e coerenti.

6. Riposizionare farmaci già esistenti

Il riposizionamento consiste nel trovare un nuovo uso per un farmaco già approvato. È una strada attraente perché la sicurezza del composto è già nota. Un caso storico è quello del sildenafil, studiato inizialmente per altri scopi cardiovascolari e poi diventato celebre per un utilizzo diverso.

L’AI aiuta incrociando grandi basi di dati su geni, malattie e farmaci per suggerire collegamenti non evidenti. Anche qui servono conferme cliniche, ma il punto di partenza è più solido.

Le tecniche di AI più usate, spiegate semplice

Dietro i nomi tecnici si nascondono famiglie di metodi relativamente comprensibili. Conoscerle ti aiuta a leggere con occhio critico qualsiasi annuncio del settore.

Machine learning classico

Algoritmi come foreste casuali, macchine a vettori di supporto e regressioni vengono usati da anni per prevedere proprietà delle molecole a partire da descrittori numerici. Sono spesso la scelta giusta quando i dati sono pochi, perché richiedono meno esempi e sono più facili da interpretare.

Reti neurali su grafi

Una molecola è naturalmente un grafo: gli atomi sono i nodi e i legami chimici sono gli archi. Le reti neurali su grafi lavorano direttamente su questa struttura e imparano rappresentazioni che catturano la chimica meglio di una semplice lista di numeri. Sono oggi uno strumento centrale per prevedere attività e proprietà.

Modelli generativi e trasformatori

I trasformatori, la stessa famiglia di architetture dietro ai chatbot, possono essere addestrati su rappresentazioni testuali di molecole e proteine. Imparano la grammatica della chimica e della biologia, e poi generano sequenze nuove coerenti con quella grammatica.

Se vuoi ripassare le basi di questi concetti, la nostra guida alla matematica per il machine learning è un buon punto di partenza.

Modelli linguistici per la letteratura scientifica

I grandi modelli linguistici sono molto utili per leggere, riassumere e collegare la letteratura scientifica, per estrarre dati da brevetti e articoli e per aiutare nella scrittura di codice per le analisi. Non vanno però considerati fonti affidabili di fatti biologici senza verifica, perché possono produrre affermazioni plausibili ma sbagliate.

Come appare un flusso di lavoro concreto

Per rendere tutto più tangibile, ecco un esempio semplificato di come potrebbe svolgersi un progetto, pensato come schema generale e non come descrizione di un caso reale.

Si parte da una malattia e da un bersaglio proposto dall’analisi dei dati genomici. Il team ottiene o prevede la struttura della proteina, definisce il sito in cui una molecola dovrebbe legarsi e usa il virtual screening per filtrare una libreria enorme di composti. Un modello generativo propone poi varianti migliorate dei candidati più promettenti.

I modelli ADMET scartano le molecole con profili sfavorevoli. A quel punto un numero ridotto di composti viene sintetizzato e provato in laboratorio, e i risultati sperimentali vengono reimmessi nei modelli per migliorarli. Si crea così un ciclo di apprendimento in cui calcolo ed esperimento si correggono a vicenda.

Questo ciclo iterativo è la vera forza del metodo, più di qualsiasi singolo algoritmo.

Il vero collo di bottiglia: i dati

Un modello è buono quanto i dati con cui è addestrato. Nella ricerca farmaceutica i dati sono costosi da produrre, spesso proprietari e distribuiti in formati diversi. Gli esperimenti falliti, preziosissimi per insegnare ai modelli che cosa non funziona, vengono pubblicati molto meno dei successi, e questo introduce una distorsione.

Un altro problema è la variabilità: lo stesso esperimento condotto in laboratori diversi può dare risultati leggermente differenti. Se i dati sono rumorosi, anche il modello più sofisticato impara male.

Per questo molte aziende investono almeno quanto in algoritmi nella costruzione di dataset omogenei e di laboratori automatizzati capaci di generare dati in modo sistematico. Un esempio di collaborazione tra grandi aziende farmaceutiche e laboratori di AI lo trovi nell’articolo su Novo Nordisk e Claude per la scoperta di farmaci.

Limiti, rischi e aspettative realistiche

Conviene guardare con equilibrio alle promesse. L’AI può rendere più rapide alcune fasi, soprattutto quelle iniziali, ma la biologia umana resta complessa e un modello che prevede bene in provetta può comunque fallire in un organismo.

Che cosa l’AI non risolve

Gli studi clinici sono ancora necessari e non esiste una scorciatoia che li sostituisca. Una molecola prevista come sicura può mostrare effetti collaterali solo su persone reali. Le tempistiche della sperimentazione sull’uomo dipendono da reclutamento dei pazienti, osservazione nel tempo e regole che nessun algoritmo può saltare.

Per questo è prudente diffidare di chi promette farmaci scoperti in pochi giorni o risparmi miracolosi.

Bias, spiegabilità e responsabilità

I modelli possono ereditare distorsioni dai dati. Se un dataset rappresenta soprattutto certe popolazioni, le previsioni potrebbero valere meno per altre. Esiste poi il tema della spiegabilità: un regolatore, un medico o un ricercatore vogliono capire perché un modello suggerisce una certa molecola, e le reti neurali profonde non sempre lo rendono facile.

Infine c’è la responsabilità: l’ultima parola spetta sempre a esperti umani e alle autorità competenti. Per un quadro più ampio sui benefici e sui rischi dell’AI in ambito sanitario, puoi leggere la guida a intelligenza artificiale in medicina.

Sicurezza e uso improprio

Gli stessi modelli che progettano molecole utili potrebbero in linea teorica essere indirizzati verso scopi dannosi. La comunità scientifica discute da tempo di come gestire questo rischio, con controlli sull’accesso ai modelli più potenti, filtri e linee guida condivise. È un tema che merita attenzione, anche se non deve far dimenticare i benefici concreti.

Quali risultati puoi aspettarti nei prossimi anni

Il settore evolve in fretta e le previsioni troppo specifiche invecchiano male, ma alcune tendenze generali sembrano solide. La prima è la diffusione di modelli di base per la biologia, addestrati su grandi insiemi di sequenze e strutture e adattabili a molti compiti diversi.

La seconda è l’integrazione tra calcolo e automazione di laboratorio: robot che eseguono esperimenti guidati da modelli, in cicli sempre più rapidi. La terza è l’attenzione crescente alla medicina personalizzata, in cui i dati del singolo paziente aiutano a scegliere terapie più adatte.

Intanto, è realistico aspettarsi miglioramenti graduali più che rivoluzioni improvvise: meno candidati sbagliati, tempi un po’ più brevi nelle fasi preliminari, più ipotesi testate con le stesse risorse.

Come avvicinarti a questo campo

Se la scoperta di farmaci con l’AI ti incuriosisce, sia per studio sia per lavoro, il percorso più efficace combina tre competenze: una base di biologia e chimica, una di statistica e machine learning e una di programmazione, tipicamente in Python.

Non serve essere esperto di tutto. I team più efficaci sono interdisciplinari e uniscono chi conosce la biologia, chi sa costruire i modelli e chi sa leggere i dati con spirito critico.

Strumenti e risorse per iniziare

Puoi cominciare con le librerie open source di chemioinformatica, che permettono di manipolare molecole, calcolare descrittori e costruire i primi modelli predittivi. Esistono dataset pubblici di molecole con proprietà note, ideali per fare pratica, e database aperti di strutture proteiche da esplorare.

Un buon esercizio iniziale consiste nel costruire un semplice modello che prevede una proprietà di una molecola, come la solubilità, a partire da un dataset pubblico, e poi valutarlo con metriche adeguate evitando di ingannarti con il sovradattamento. Anche qui contano le basi: ripassa overfitting e validazione prima di fidarti dei risultati.

Cosa osservare quando leggi un annuncio

Quando incontri un titolo che annuncia un farmaco scoperto dall’AI, ti conviene porti alcune domande semplici. In quale fase di sviluppo si trova il composto? Il risultato è stato validato in laboratorio o è solo una previsione al computer? I dati e il metodo sono stati pubblicati e verificati da altri?

Distinguere una previsione da una conferma sperimentale è la competenza più utile che puoi sviluppare come lettore.

Domande frequenti

L’AI può scoprire un farmaco da sola?

No. L’AI è oggi un acceleratore del lavoro dei ricercatori, non un sostituto. Propone bersagli, molecole e previsioni, ma servono esperimenti di laboratorio, studi clinici e valutazione regolatoria per arrivare a un farmaco approvato.

Un farmaco progettato con l’AI è più sicuro?

Non per definizione. L’AI può aiutare a scartare presto molecole problematiche, ma la sicurezza si dimostra solo con la sperimentazione. Un farmaco è sicuro quando supera gli studi richiesti, non perché sia stato progettato da un algoritmo.

Quanto tempo si risparmia davvero?

Dipende dal progetto e dalla fase. I benefici più chiari si osservano nelle fasi iniziali, come la ricerca di candidati e l’ottimizzazione. Le fasi cliniche restano lunghe, quindi il guadagno complessivo è più contenuto di quanto suggeriscano certi annunci.

Serve essere un informatico per lavorare in questo campo?

Non necessariamente. Ci sono ruoli per biologi, chimici, medici, statistici e ingegneri. Una buona alfabetizzazione sui dati e sull’AI è sempre più richiesta, qualunque sia il tuo punto di partenza.

Conclusioni

La scoperta di farmaci con l’intelligenza artificiale non è una moda passeggera né una soluzione magica. È un insieme di strumenti concreti, dalla previsione delle strutture proteiche alla progettazione generativa, che rendono più efficiente la parte iniziale di un processo lungo e rischioso.

Il valore sta nel ciclo tra modelli ed esperimenti, nella qualità dei dati e nella collaborazione tra discipline diverse. Chi saprà leggere i risultati con spirito critico avrà un vantaggio, sia da professionista sia da semplice lettore.

Ora tocca a te: scegli un aspetto che ti ha incuriosito, per esempio la struttura delle proteine o il virtual screening, e approfondiscilo con le nostre guide collegate. Continua a seguire intelligenzaartificiale.net per restare aggiornato sulle applicazioni dell’AI alla salute.

Newsletter gratuita · ogni venerdì

Tutta l'AI della settimana, in 5 minuti, nella tua email

• Le guide e le notizie della settimana, divise per rubrica
• Solo ciò che conta, verificato e spiegato in italiano
• Niente spam, ti cancelli con un clic

La tua email Iscriviti gratis

Ho letto l'informativa privacy e voglio ricevere la newsletter.

Preferisci i social? Seguici:

Seguici su Facebook X LinkedIn