AI e Drug Discovery: Oltre l’Hype, la Realta’ dei Business Case e i Limiti da Superare

Nel panorama farmaceutico odierno, l’intelligenza artificiale (AI) emerge come una forza trasformativa, promettendo di rimodellare il processo di scoperta dei farmaci. L’entusiasmo che circonda questa tecnologia è palpabile, ma è essenziale valutare con lucidità i risultati concreti, le sfide persistenti e le implicazioni etiche derivanti dall’adozione dell’AI in questo settore cruciale. In questo articolo, esploreremo i successi tangibili, i limiti ancora da superare e i dilemmi etici che accompagnano l’integrazione dell’AI nella scoperta di nuovi farmaci, supportati da analisi di specifici casi aziendali e dalle prospettive di esperti e imprenditori del settore.

L’alba dell’ai nella scoperta di farmaci: promesse e prime realizzazioni

L’intelligenza artificiale ha compiuto progressi significativi nell’accelerare le fasi iniziali della scoperta di farmaci. Algoritmi di apprendimento automatico (machine learning, ML) analizzano vasti dataset biologici e chimici per identificare potenziali bersagli terapeutici e prevedere l’efficacia e la tossicità di nuove molecole. Piattaforme di screening virtuale, come quella sviluppata da Dompé Farmaceutici (EXSCALATE), setacciano miliardi di molecole in tempi notevolmente ridotti, passando da mesi a giorni, per individuare i candidati più promettenti da produrre e valutare sperimentalmente.

Un esempio emblematico è AlphaFold di DeepMind, che ha predetto la struttura del proteoma umano (~20.000 proteine), aprendo nuove frontiere nella comprensione dei meccanismi biologici e nell’individuazione di target farmacologici. Aziende come Exscientia hanno portato molecole progettate con AI nella Fase I di sperimentazione clinica in tempi senza precedenti, circa 12 mesi. Insilico Medicine ha progettato un candidato DDR1 in soli 46 giorni, dimostrando l’abilità dell’AI di accelerare significativamente il processo di lead discovery. L’intelligenza artificiale, quindi, sembra aver impresso una svolta nella velocità con cui le molecole vengono identificate e portate alla fase di sperimentazione.

L’AI semplifica anche il riposizionamento di farmaci esistenti per nuove indicazioni terapeutiche. BenevolentAI, ad esempio, ha suggerito il riposizionamento del baricitinib per il trattamento del COVID-19. Questo approccio, noto come drug repurposing, può ridurre drasticamente i tempi e i costi di sviluppo, poiché i farmaci esistenti hanno già superato le fasi iniziali di sperimentazione clinica e ne è nota la sicurezza. Il riposizionamento rappresenta un’alternativa più rapida e meno onerosa rispetto alla scoperta di nuove molecole, consentendo di rispondere più velocemente alle esigenze mediche urgenti.

Non solo, l’intelligenza artificiale si rivela un valido supporto nell’individuazione di nuovi antibiotici, utili a combattere batteri resistenti, e nel facilitare il riposizionamento di farmaci come il raloxifene, originariamente impiegato per l’osteoporosi, come potenziale terapia per il COVID-19. In sostanza, l’AI sta aprendo nuove strade per affrontare sfide mediche complesse, offrendo soluzioni innovative e personalizzate.

Exscalate4Cov, un progetto di punta della Commissione Europea contro la pandemia, ha utilizzato la piattaforma Exscalate per identificare nuove terapie per il COVID, coinvolgendo oltre 18 prestigiosi centri di ricerca europei e aziende leader come SAS, ENI e Leonardo. Tale iniziativa ha dimostrato come la collaborazione tra diversi settori industriali possa portare a risultati significativi nella lotta contro le emergenze sanitarie.

Le piattaforme di intelligenza artificiale hanno la capacità di esaminare ampie serie di dati, allo scopo di individuare prontamente i bersagli farmacologici (ovvero le proteine corporee connesse a patologie specifiche) e le molecole idonee alla trasformazione in medicinali. L’approccio pionieristico di Insilico Medicine ha ispirato diverse altre realtà del settore, che ne stanno seguendo l’esempio. Inoltre, diverse aziende di rilievo, tra cui Exscientia, Verge Genomics e Recursion Pharmaceuticals, hanno annunciato di aver identificato o sviluppato farmaci avvalendosi dell’intelligenza artificiale, portando tali composti alle fasi di sperimentazione clinica.

In sintesi, l’AI sta contribuendo a:

• Ridurre i tempi di identificazione dei target.
• Aumentare le opportunità di licenza e collaborazione con le grandi aziende farmaceutiche.
• Introdurre nuove pressioni competitive e rischi regolatori legati ai dati e ai bias dei modelli.
• Rivedere i modelli di investimento e valutazione del rischio.

Oltre la superficie: i limiti intrinseci e le sfide persistenti

Nonostante i promettenti successi iniziali, l’AI presenta ancora limiti significativi nell’ambito della scoperta di farmaci. Uno dei principali ostacoli è rappresentato dalla validazione clinica. I modelli di AI sono spesso addestrati su dati preclinici, che potrebbero non riflettere fedelmente la complessità dei sistemi biologici umani. La validazione clinica si rivela quindi essenziale per confermare l’efficacia e la sicurezza dei farmaci identificati dall’AI, ma si tratta di un processo notoriamente lungo e costoso.

Un’ulteriore sfida è legata alla comprensione dei meccanismi biologici complessi. L’AI è in grado di identificare correlazioni tra dati, ma spesso non riesce a spiegare i meccanismi causali sottostanti. Tale comprensione è fondamentale per sviluppare farmaci che agiscano in modo specifico e sicuro, evitando effetti collaterali indesiderati. La capacità di interpretare i risultati e di tradurli in una comprensione biologica solida rimane un punto critico.

I modelli di AI sono intrinsecamente vulnerabili a bias presenti nei dati di addestramento. Se i dati non sono rappresentativi della popolazione target, i modelli possono generare risultati inaccurati o discriminatori. È quindi imperativo garantire che i dati siano di alta qualità e rappresentativi, al fine di evitare conseguenze negative sulla salute dei pazienti. La diversità dei dati è un fattore cruciale per garantire l’equità e l’efficacia dei modelli di AI.

La trasparenza dei modelli di AI rappresenta un’ulteriore sfida. Molti modelli operano come “scatole nere”, rendendo difficile comprendere come giungano alle loro conclusioni. Tale opacità può ostacolare l’approvazione regolatoria e minare la fiducia degli stakeholder. La capacità di spiegare il ragionamento alla base delle decisioni dell’AI è fondamentale per garantire la responsabilità e l’accettabilità di questa tecnologia.

Inoltre, l’assenza di un quadro normativo ben definito solleva interrogativi sulla responsabilità in caso di danni. Chi è responsabile se un farmaco sviluppato con l’AI causa effetti collaterali imprevisti? Il fornitore dell’algoritmo, il laboratorio o lo sponsor? Le autorità di regolamentazione, come la FDA, sono impegnate nell’aggiornamento delle normative vigenti, tuttavia la questione della responsabilità legale resta un aspetto cruciale da definire.

Infine, è essenziale considerare l’impatto occupazionale dell’AI. L’automazione guidata dall’AI potrebbe portare alla perdita di posti di lavoro per i chimici farmaceutici e i farmacologi tradizionali. Sarà quindi necessario investire in programmi di riqualificazione per garantire che i professionisti del settore possano adattarsi alle nuove esigenze del mercato del lavoro.

Casi di successo e la prospettiva degli esperti: un bilancio tra realta’ e potenziale

Nonostante le sfide, diversi casi aziendali concreti dimostrano il potenziale dell’AI nella scoperta di farmaci. Exscientia e Sumitomo Pharma hanno portato il candidato DSP-1181 in fase clinica nel 2020, segnando la prima molecola progettata con AI a raggiungere questa tappa. Dompé Farmaceutici ha sviluppato la piattaforma EXSCALATE, che ha contribuito all’identificazione di nuove terapie per il COVID-19. Questi esempi concreti dimostrano che l’AI può accelerare lo sviluppo di farmaci e rispondere a emergenze sanitarie globali.

Le collaborazioni tra aziende farmaceutiche e tecnologiche sono in aumento, con le aziende farmaceutiche che beneficiano della potenza di calcolo e delle competenze di AI delle aziende tecnologiche, mentre queste ultime accedono ai dati e all’expertise farmaceutica. Sanofi, Fosun e Johnson & Johnson hanno stretto accordi di partnership con Insilico Medicine per accedere alla sua tecnologia di AI. Queste collaborazioni rappresentano un modello di innovazione aperta che può accelerare la scoperta di nuovi farmaci.

Gli specialisti del settore concordano che l’AI debba essere considerata un valido supporto per i professionisti della medicina, non un loro sostituto. Infatti, il processo decisionale in ambito medico non si fonda unicamente sull’analisi dei dati, ma integra anche l’esperienza clinica, il contesto specifico del paziente e un’interazione diretta, elementi che l’intelligenza artificiale non è in grado di replicare. A ciò si aggiunge l’assenza della componente empatica, indispensabile per costruire un rapporto di fiducia e assicurare cure efficaci e personalizzate.

L’AI deve essere vista come uno strumento per migliorare la capacità decisionale dei medici, non come un sostituto. L’esperienza e il giudizio clinico rimangono fondamentali per interpretare i risultati dell’AI e per adattare i trattamenti alle esigenze individuali dei pazienti.

Inoltre, è essenziale considerare le implicazioni etiche dell’AI nella scoperta di farmaci. La privacy dei dati è una preoccupazione fondamentale, poiché i modelli di AI richiedono l’accesso a grandi quantità di dati sanitari sensibili. È fondamentale garantire che i dati siano protetti e utilizzati in modo etico. La trasparenza dei modelli e la responsabilità in caso di errori sono altre questioni importanti da affrontare.

L’attendibilità dell’intelligenza artificiale in ambito sanitario è strettamente legata alla sua affidabilità, chiarezza e funzionalità. È cruciale che le determinazioni e le previsioni prodotte siano non solo esatte, ma anche intelligibili, così da consentire ai professionisti medici di comprendere e convalidare le analisi eseguite. Parimenti, è indispensabile sottoporre l’affidabilità dell’AI a rigorosi studi clinici per verificarne l’efficacia nel tempo.

Verso un futuro consapevole: regolamentazione, etica e prospettive

Per cogliere appieno il potenziale dell’AI in medicina e farmacologia, è imperativa una chiara struttura normativa che assicuri la sicurezza e l’etica nell’uso dei dati, prevenga diagnosi errate e definisca con precisione la responsabilità legale. Il controllo umano rimane fondamentale per garantire decisioni affidabili e sicure, posizionando l’AI come strumento di supporto anziché come sostituto del medico. L’AI Act dell’UE e la Legge 132/2025 italiana rappresentano passi importanti in questa direzione, ponendo l’accento sulla trasparenza, sulla sicurezza e sulla gestione del rischio.

Affinché si possano prendere decisioni certe e sicure, la sorveglianza da parte di personale umano specializzato resta fondamentale, definendo così l’IA come supporto e non come alternativa alla figura medica. La garanzia di decisioni sicure e affidabili si fonda sull’indispensabile supervisione umana, relegando l’IA al ruolo di strumento di supporto, mai di sostituzione della figura medica. La normativa del 2025, nota come Legge 132/2025, delinea con chiarezza il ruolo dell’intelligenza artificiale nei contesti clinici: i sistemi automatizzati fungono da ausilio nelle attività di prevenzione, diagnosi e trattamento, senza però sostituire o influenzare la decisione del medico, la quale resta prerogativa esclusiva degli operatori sanitari. Viene inoltre categoricamente vietato qualsiasi impiego dell’AI che possa tradursi in un accesso iniquo o discriminatorio ai servizi sanitari. Infine, al paziente deve essere sempre garantito il diritto di essere informato in merito a quando e come l’intelligenza artificiale viene impiegata nel proprio percorso di cura.

In conclusione, l’AI si presenta come un potente strumento per trasformare la scoperta di farmaci, ma il suo impiego richiede un approccio cauto e ponderato. La validazione clinica rigorosa, la comprensione dei meccanismi biologici complessi, la gestione dei bias nei dati, la trasparenza dei modelli e la protezione della privacy sono tutti elementi essenziali per garantire che l’AI sia utilizzata in modo responsabile ed efficace. La collaborazione tra aziende farmaceutiche e tecnologiche, lo sviluppo di linee guida regolatorie chiare e la formazione di professionisti con competenze sia in AI che in farmaceutica sono passi fondamentali per realizzare il pieno potenziale dell’AI e migliorare la salute umana.

L’innovazione farmaceutica è un campo in costante evoluzione, e l’intelligenza artificiale rappresenta una delle frontiere più promettenti. Un esempio base di innovazione è il drug repurposing, ovvero l’utilizzo di farmaci già esistenti per nuove indicazioni terapeutiche. Questo approccio consente di ridurre i tempi e i costi di sviluppo, poiché i farmaci hanno già superato le fasi iniziali di sperimentazione clinica. Un esempio più avanzato è lo sviluppo di farmaci personalizzati, basati sul profilo genetico del paziente. Questo approccio consente di massimizzare l’efficacia dei trattamenti e di ridurre gli effetti collaterali indesiderati. L’intelligenza artificiale può accelerare entrambi questi processi, rendendo l’innovazione farmaceutica più rapida ed efficiente. Ci troviamo di fronte a un bivio: sapremo cogliere le opportunità offerte dall’AI, mantenendo al contempo un approccio etico e responsabile?