AI e farmaci: abbiamo davvero trovato la “bussola magica”?

Che ruolo ha l’intelligenza artificiale nello sviluppo di nuovi farmaci?

Immagina la scoperta e lo sviluppo di un nuovo farmaco come un viaggio attraverso una foresta fitta e poco esplorata. Per decenni, i ricercatori hanno camminato affidandosi a mappe imperfette, bussola alla mano, procedendo un passo alla volta. Oggi, grazie all’intelligenza artificiale, quella foresta non è diventata meno complessa, ma è stata illuminata da una torcia che permette di vedere più lontano e di orientarsi meglio. Questo strumento non eliminerà certo tutti gli ostacoli, ma può essere un valido mezzo per gestirli e anticiparli.

Perché l’AI è importante nello sviluppo di nuovi farmaci?

Lo sviluppo di un farmaco richiede in genere tra i 10 e i 15 anni, i costi sono esorbitanti e il rischio di fallimento nelle fasi cliniche avanzate si aggira attorno al 90%.

L’intelligenza artificiale (AI) non ha cambiato – e non cambierà – queste cifre da un giorno all’altro, ma ha cominciato a incidere proprio dove serve, ovvero nelle fasi che assorbono più tempo, energie e risorse. L’AI è quindi entrata nel mondo del drug discovery (scoperta di nuovi farmaci) per necessità.

L’AI permette di:

• leggere e collegare in pochi minuti milioni di articoli, database, brevetti
• esplorare spazi chimici vasti quanto galassie di possibilità
• prevedere tossicità, solubilità, assorbimento e altri parametri farmacocinetici
• ridurre gli esperimenti inutili
• concentrare gli sforzi solo sulle molecole con maggiore potenziale

Non sostituisce i ricercatori – i controlli e la verifiche umane sono imprescindibili – ma si comporta come una guida esperta che conosce già il terreno, suggerendo e accelerando i percorsi più promettenti.

AI e farmaci: quando è iniziata la vera rivoluzione?

Dalla serendipità all’era computazionale

La storia della medicina affonda le radici in tempi antichi, quando la scoperta dei farmaci era affidata alla serendipità o all’uso empirico di piante medicinali, come testimoniato dal Papiro di Ebers intorno al 1550 a.C..

La vera ricerca scientifica è iniziata solo quando la chimica e la farmacologia sono diventate discipline ben definite. Nel XIX secolo, l’isolamento di sostanze come la morfina e lo sviluppo dell’aspirina hanno segnato il passaggio verso le piccole molecole. Il XX secolo ha poi visto l’era degli antibiotici, inaugurata dalla scoperta casuale della penicillina da parte di Alexander Fleming nel 1928, e la rivoluzione del DNA ricombinante che ha permesso la produzione di insulina umana nel 1982.

L’uso dell’intelligenza artificiale nella ricerca farmaceutica è un percorso evolutivo che si è sviluppato in più tappe:

• Anni ‘60 – nascono i modelli QSAR (Quantitative Structure-Activity Relationship), primi tentativi di prevedere l’attività biologica dei farmaci a partire dalla loro struttura chimica.
• Anni ‘80 – prende piede il docking proteina-ligando, una tecnologia che simula al computer l’incastro perfetto tra le molecole, come se cercasse la chiave giusta per una serratura biologica.
• Anni ‘90 – segnano l’ingresso dei sistemi esperti: per la prima volta, programmi basati su regole logiche iniziano ad affiancare i ricercatori, guidandoli passo dopo passo nella complessa architettura della sintesi chimica.
• Dal 2000 in poi – il machine learning diventa maturo, fino ai moderni modelli di deep learning e alle reti generative.

In questo lungo viaggio, ogni nuova tecnologia non è nata per rimpiazzare quella precedente, ma per affiancarla, integrandosi in una “cassetta degli attrezzi” sempre più ricca dove l’intuizione umana e la potenza del calcolo procedono di pari passo.

Come l’AI cambia le fasi della scoperta dei farmaci

La ricerca di un nuovo farmaco è un mosaico di passaggi, dal bersaglio molecolare fino all’ottimizzazione della molecola individuata. L’AI entra in ciascuno di essi, con funzioni diverse ma un obiettivo comune: rendere più rapido, preciso e prevedibile ciò che oggi è lento, costoso e incerto.

1. Identificazione del bersaglio

Qui l’AI agisce come un investigatore che collega indizi sparsi.

Analizza dati genomici, clinici e bibliografici per trovare pattern nascosti: relazioni tra geni, proteine e malattie che non sarebbero facilmente evidenti. Questo passaggio è cruciale perché scegliere il bersaglio sbagliato significa condannare il progetto prima ancora di iniziare.

2. Virtual screening e hit discovery

Tradizionalmente, la ricerca di una molecola attiva somigliava al tentativo di trovare un ago in un pagliaio: i ricercatori dovevano testare fisicamente in laboratorio librerie composte da migliaia di sostanze, con costi esorbitanti e tempi lunghissimi.

Oggi, l’Intelligenza Artificiale trasforma radicalmente questa fase grazie al Virtual Screening. Invece di manipolare provette, l’AI scansiona in tempi record database digitali che contengono milioni (o persino miliardi) di composti. Attraverso simulazioni ultra-rapide, l’algoritmo calcola l’affinità tra ogni molecola e il bersaglio biologico, scartando immediatamente i candidati improbabili e isolando solo le “Hit”: quelle molecole promettenti che hanno le carte in regola per diventare un futuro farmaco.

3. Lead optimization: il lavoro di fino

Una volta trovata una molecola promettente (la lead), il lavoro è tutt’altro che finito. È come avere una bozza di una chiave che entra nella serratura, ma che va ancora levigata per poter girare senza sforzo. In questa fase si modificano piccoli gruppi chimici per aumentare l’efficacia, migliorare la stabilità nel tempo e, soprattutto, eliminare ogni traccia di tossicità.

Qui l’Intelligenza Artificiale agisce come un artigiano con strumenti di precisione finissimi. Modelli avanzati (come le reti neurali o i metodi ensemble) funzionano come dei simulatori di volo per molecole:

• Suggeriscono le modifiche ottimali: grazie a calcoli statistici complessi, l’AI fornisce non solo una previsione, ma anche un “grado di fiducia”, aiutando gli scienziati a investire solo sulle modifiche che hanno le reali probabilità di successo clinico. 

• Prevedono il profilo ADMET: anticipano come il farmaco verrà Assorbito, Distribuito, Metabolizzato ed Escreto dall’organismo, e se sarà Tollerato (evitando effetti tossici).

4. De novo design: la creatività dell’AI

Questa è la frontiera più affascinante: il passaggio dalla ricerca all’invenzione. Se il virtual screening seleziona molecole da un catalogo esistente, il De Novo Design le crea da zero.

Siamo di fronte a una vera e propria creatività computazionale. Grazie a modelli generativi all’avanguardia, l’AI si trasforma in un architetto molecolare. Invece di limitarsi a ciò che già conosciamo, esplora lo “spazio chimico”: un universo teorico di molecole talmente vasto da essere praticamente infinito.

Dalla teoria alla clinica: i primi banchi di prova dell’AI

Oggi non siamo più nel campo delle promesse astratte: l’Intelligenza Artificiale ha iniziato a produrre risultati tangibili. Tuttavia, la strada è ancora in salita: se l’AI brilla per velocità nella fase di progettazione, l’ultima parola spetta sempre ai test clinici sull’uomo, dove le variabili biologiche restano una sfida complessa.

Baricitinib: la velocità nel “riciclo” farmaceutico (Drug Repurposing)

Durante l’emergenza COVID-19, l’algoritmo di BenevolentAI ha setacciato farmaci già esistenti per trovare una risposta rapida. Ha identificato il Baricitinib (nato per l’artrite reumatoide) come capace di bloccare l’ingresso del virus nelle cellule e contrastare l’eccessiva infiammazione causata dall’infezione. In questo caso l’AI ha ridotto a pochi giorni un’analisi che avrebbe richiesto mesi, portando all’autorizzazione d’emergenza del farmaco. 

Halicin: un’insospettabile scoperta

Presso il MIT (Massachusetts Institute of Technology), una rete neurale ha setacciato milioni di molecole in cerca di nuovi antibiotici. Ha isolato Halicin, una molecola dalla struttura chimica “aliena” rispetto agli antibiotici tradizionali, capace di uccidere batteri super-resistenti. come il Mycobacterium tuberculosis e ceppi resistenti ai carbapenemi. Un risultato notevole, anche se ancora in fase preclinica.

ISM001-055 (Rentosertib): un AI-native

Sviluppato da Insilico Medicine per la fibrosi polmonare idiopatica, questo è uno dei casi studio più completi. L’AI non ha solo cercato la molecola, ma ha anche individuato il bersaglio biologico (Target Discovery). Il farmaco è arrivato e ha superato la Fase IIa (test su pazienti) in tempi record per il settore, dimostrando che l’intera catena di montaggio farmaceutica può essere accelerata. 

DSP-1181: lezioni dai fallimenti

Il farmaco, progettato da Exscientia per il disturbo ossessivo-compulsivo, è arrivato ai test clinici in soli 12 mesi (contro i 4-5 anni standard). Tuttavia, la sperimentazione di Fase I è stata interrotta perché il farmaco non ha raggiunto gli standard attesi.

Questo caso emblematico ci offre una lezione fondamentale: se da un lato l’IA ha dimostrato la velocità di un fulmine nella fase di design, dall’altro la complessità della biologia umana si conferma l’ultimo, insostituibile giudice.

Oltre l’entusiasmo: le sfide e i confini dell’algoritmo

Nonostante i successi, l’intelligenza artificiale non è una bacchetta magica capace di risolvere istantaneamente le incognite della biologia. Il suo impatto deve fare i conti con alcuni limiti strutturali che definiscono il perimetro d’azione della tecnologia:

• qualità e bias dei dati: un modello è forte se lo sono anche i dati che lo nutrono
• interpretabilità limitata: alcuni modelli restano “scatole nere”. Spesso l’AI suggerisce una molecola vincente senza però spiegare il “perché” dietro quella scelta, rendendo difficile per i ricercatori comprendere i meccanismi d’azione.
• difficoltà a generalizzare: quando l’AI si imbatte in architetture molecolari troppo distanti da quelle usate per il suo addestramento, rischia di “allucinare” o di fornire previsioni errate.
• il labirinto dei trial clinici: se l’AI può accelerare drasticamente la fase preclinica, la sperimentazione umana resta un universo a sé. La variabilità genetica, la risposta immunitaria e gli imprevedibili effetti collaterali sono variabili che nessun software può ancora simulare o eliminare del tutto.
• incertezze regolatorie: le autorità sanitarie stanno solo ora definendo gli standard per approvare farmaci nati interamente da processi digitali.

Un futuro promettente, ma da regolamentare

L’intelligenza artificiale nello sviluppo dei farmaci è già diventata uno strumento essenziale, ma il suo avanzamento richiede un quadro regolatorio più chiaro e condiviso.

Le autorità regolatorie stanno iniziando a definire le “regole del gioco”:

• FDA (Food and Drug Administration): l’ente statunitense sta definendo linee guida specifiche per l’uso dell’IA nei modelli predittivi, con un focus particolare sul Continuous Learning, ovvero la capacità degli algoritmi di evolversi e imparare costantemente dai nuovi dati senza perdere in affidabilità.
• EMA (European Medicines Agency): in Europa, l’EMA ha istituito gruppi di lavoro per garantire un uso responsabile dell’IA lungo tutto il ciclo di vita del farmaco, sottolineando l’importanza della trasparenza e della protezione dei dati dei pazienti.
• ICH (International Council for Harmonisation): a livello globale, si lavora per armonizzare gli standard tecnici. L’obiettivo è rendere i dati tracciabili e i modelli validabili ovunque, affinché un farmaco progettato dall’IA in un continente possa essere riconosciuto come sicuro in tutto il mondo.

L’obiettivo comune è garantire che l’AI sia affidabile, trasparente e verificabile. La strada verso la scoperta di nuove cure è un percorso denso di ostacoli – la foresta resta fitta e complessa – ma ora forse sapremo illuminarla meglio.

Fonti:

• Bender A, Cortes-Ciriano I. Artificial intelligence in drug discovery: what is realistic, what are illusions? Part 2: a discussion of chemical and biological data. Drug Discovery Today. 2021 Jan 27;26(4):1040–52. https://doi.org/10.1016/j.drudis.2020.11.037
• European Medicines Agency. Reflection paper on the use of artificial intelligence (AI) in the medicinal product lifecycle. Amsterdam: EMA; 2024. https://www.ema.europa.eu/en/documents/scientific-guideline/reflection-paper-use-artificial-intelligence-ai-medicinal-product-lifecycle_en.pdf
• Niazi SK. Artificial Intelligence in Small-Molecule Drug Discovery: A Critical Review of Methods, Applications, and Real-World Outcomes. Pharmaceuticals (Basel). 2025 Aug 26;18(9):1271. doi: 10.3390/ph18091271. PMID: 41011141; PMCID: PMC12472608. https://pubmed.ncbi.nlm.nih.gov/41011141/
• Schneider G. Mind and machine in drug design. Nature Machine Intelligence. 2019 Feb 25;1(3):128–30. https://doi.org/10.1038/s42256-019-0030-7

Crediti immagini:

• Figura 1- https://elements.envato.com/