I primi farmaci progettati dall'AI: i test diranno se il limite è la potenza di calcolo o la biologia

Cosa è successo

Isomorphic Labs (spin-off DeepMind/Alphabet) sta preparando l’ingresso in clinica delle sue prime molecole progettate con AI. È il passaggio che separa l’AI “da discovery” dall’AI “da farmaco”: fino a quando non si osservano nei pazienti i dati di sicurezza e di farmacocinetica — ovvero come il farmaco viene assorbito, distribuito, metabolizzato ed eliminato dall'organismo — l'impatto economico resta una promessa.

Negli ultimi dieci anni l’AI in drug discovery ha prodotto molte demo e poche prove definitive. Il collo di bottiglia non è mai stato “generare candidati”, ma farli sopravvivere al mondo reale: ADME, tossicità, CMC, e poi trial design. Isomorphic arriva a questo punto di svolta con due vantaggi competitivi rispetto agli altri operatori del settore: una dotazione finanziaria ampia e l'accesso privilegiato ai modelli di intelligenza artificiale.

• Il modello operativo implicito è quello di un motore di progettazione che alimenta una pipeline di farmaci: usare sistemi come AlphaFold e i suoi derivati per capire il rapporto tra struttura e funzione delle molecole, esplorare lo spazio chimico più rapidamente e costruire candidati già dotati delle proprietà desiderate — potenza, selettività, sicurezza — prima di arrivare ai test in vivo, ovvero le sperimentazioni su animali e uomo, che sono la fase più costosa. La scommessa vera è industriale: comprimere in modo ripetibile i cicli iterativi di progettazione, test e riprogettazione che da sempre scandiscono lo sviluppo di un farmaco.

Perché è importante

• Se regge sui dati di sicurezza e di farmacocinetica (cioè come il farmaco si comporta nell'organismo umano), cambia la metrica del settore: l'AI non è più un acceleratore marginale ma una fonte stabile di asset cedibili in licenza ad altre aziende, con più accordi nella fase preclinica e maggiore flessibilità nelle scelte strategiche;
• Se non regge, il messaggio opposto è altrettanto forte: i limiti non sono di potenza di calcolo ma di biologia e traslazione (cioè la capacità di passare dai risultati di laboratorio all'uomo), e il capitale torna a premiare piattaforme con evidenza sperimentale solida — organoidi, modelli animali, trial clinici adattativi;
• In entrambi i casi, si alza la barra: i nuovi player dovranno dimostrare di saper coprire l'intero processo, dalla progettazione iniziale fino alla validazione clinica, non solo la generazione di molecole candidate.

E adesso?

• Sarà importante capire quali aree terapeutiche entreranno per prime nella sperimentazione e con quale ratio;
• Osservare i segnali iniziali: tollerabilità nei pazienti, eventuali effetti tossici che obbligano a limitare il dosaggio e una farmacocinetica "pulita", ovvero un comportamento prevedibile del farmaco nell'organismo. È lo stadio in cui molte molecole falliscono;
• Quale sarà la struttura delle partnership: gli accordi prenderanno la forma di "option-to-license" — dove il partner si riserva di acquisire la licenza solo dopo aver visto i primi dati — o di vero co-sviluppo? È un indicatore concreto della fiducia reale del settore nel rischio.