Indice dei contenuti
In sintesi
- L’AI nella ricerca scientifica ha prodotto risultati verificabili in ambiti specifici: previsione delle strutture proteiche, identificazione di composti farmaceutici, analisi di immagini diagnostiche
- AlphaFold ha risolto un problema cinquantennale della biologia, ma dal laboratorio al farmaco in farmacia il percorso resta lungo e costoso
- La distinzione tra risultato scientifico e beneficio concreto per pazienti e mercato è fondamentale per valutare investimenti e aspettative
- I dati mostrano accelerazioni reali nelle fasi precliniche, mentre l’impatto sui tempi complessivi di sviluppo farmaceutico è ancora da misurare
Stamattina, sfogliando le notizie, mi sono imbattuto in un titolo che prometteva la cura definitiva per una malattia rara, grazie all’intelligenza artificiale. Ho pensato a mia zia, che quella malattia ce l’ha davvero. Poi ho letto l’articolo: si parlava di una molecola identificata in laboratorio. Nessun paziente trattato. Nessun farmaco approvato. Solo una promessa, per quanto fondata.
Ecco il punto: quando si parla di AI nella ricerca scientifica, la distanza tra il comunicato stampa e la realtà del paziente può essere di dieci anni. O di mai. E tu, che devi decidere se investire, collaborare o semplicemente capire dove sta andando il mondo, meriti di sapere cosa è già vero e cosa è ancora speranza ben vestita.
AI e scoperta farmaci: cosa è stato davvero dimostrato
Partiamo dai fatti, quelli con le prove. L’AI applicata alla scoperta di farmaci ha ottenuto risultati documentati in quattro ambiti principali. Non sono opinioni: sono pubblicazioni su Nature, Science, peer review e dati verificabili.
Previsione delle strutture proteiche
Nel 2020, AlphaFold di DeepMind ha risolto quello che i biologi chiamavano “il problema del ripiegamento proteico”. Per cinquant’anni, determinare la struttura tridimensionale di una proteina richiedeva mesi di lavoro e milioni di euro. Oggi, per molte proteine, bastano minuti.
Il database AlphaFold contiene oltre 200 milioni di strutture proteiche predette. Gratuitamente accessibili. Questo ha cambiato il lavoro quotidiano di migliaia di ricercatori nel mondo, inclusi quelli italiani.
Identificazione di composti candidati
Aziende come Insilico Medicine, Recursion e Exscientia hanno utilizzato sistemi di AI per identificare molecole candidate in tempi drasticamente ridotti. Insilico ha portato una molecola dalla scoperta alla fase clinica in meno di 30 mesi, contro una media storica di 4-5 anni.
Attenzione però: “fase clinica” significa che si inizia a testare sugli esseri umani. Non che il farmaco funziona. Non che è approvato. Non che è in vendita.
Progettazione di nuovi materiali
L’AI ha accelerato anche la scoperta di nuovi materiali per il drug delivery, le formulazioni farmaceutiche, i dispositivi medici. Google DeepMind ha annunciato nel 2023 la scoperta di oltre 380.000 nuovi materiali stabili attraverso il sistema GNoME.
Analisi di immagini diagnostiche
Qui i risultati sono più vicini al paziente. Sistemi di intelligenza artificiale in medicina analizzano radiografie, TAC, risonanze magnetiche con accuratezza paragonabile o superiore ai radiologi esperti in contesti specifici. La FDA americana ha approvato oltre 500 dispositivi medici basati su AI, la maggior parte per imaging diagnostico.
Intelligenza artificiale in medicina: i numeri che contano
I numeri aiutano a distinguere l’entusiasmo dalla realtà. Vediamone alcuni, da fonti verificate.
| Indicatore | Prima dell’AI | Con AI | Fonte |
|---|---|---|---|
| Tempo per identificare un candidato farmaco | 4-5 anni | 12-18 mesi | McKinsey, 2023 |
| Costo medio sviluppo farmaco | 2,6 miliardi $ | Dati insufficienti | Deloitte, 2022 |
| Tasso di successo fase I → approvazione | 7,9% | Dati insufficienti | BIO Industry Analysis |
| Strutture proteiche nel database AlphaFold | ~190.000 (sperimentali) | 200+ milioni (predette) | EMBL-EBI, 2024 |
Nota cosa manca: non abbiamo ancora dati solidi su quanto l’AI riduca il costo complessivo di sviluppo o aumenti il tasso di successo finale. Perché? Perché i farmaci “nati dall’AI” non hanno ancora completato il percorso fino all’approvazione in numeri sufficienti per fare statistica.
Secondo un’analisi di Boston Consulting Group del 2023, le molecole scoperte con AI in pipeline clinica sono circa 150. Di queste, solo una manciata ha raggiunto la fase III. Nessuna ha ancora completato l’intero percorso fino alla commercializzazione partendo da zero con AI.
AI nella ricerca scientifica: il divario tra laboratorio e farmacia
Immagina di essere il direttore R&D di un’azienda farmaceutica italiana. Ti presentano un sistema di AI che promette di dimezzare i tempi di scoperta. La domanda che devi farti non è “funziona?”, ma “funziona per cosa, esattamente?”
Il processo di sviluppo di un farmaco ha fasi ben distinte:
- Scoperta: identificazione del bersaglio e della molecola candidata (2-4 anni)
- Preclinica: test in laboratorio e su animali (1-2 anni)
- Fase I: sicurezza su volontari sani (1-2 anni)
- Fase II: efficacia su piccoli gruppi di pazienti (2-3 anni)
- Fase III: efficacia su larga scala (3-4 anni)
- Approvazione regolatoria: revisione FDA/EMA (1-2 anni)
L’AI ha dimostrato impatto misurabile nelle prime due fasi. Dalla fase I in poi, i tempi dipendono dalla biologia umana, dalla burocrazia regolatoria, dal reclutamento dei pazienti. Nessun algoritmo accelera il tempo che serve a un farmaco per mostrare effetti su un essere umano.
Questo significa che anche se l’AI dimezzasse i tempi di scoperta, il risparmio complessivo sarebbe del 15-20% sul totale. Significativo, ma non rivoluzionario.
Cosa significa per chi decide: una bussola pratica
Se stai valutando partnership, investimenti o semplicemente cercando di capire dove puntare l’attenzione della tua azienda, ecco una distinzione utile.
Risultati consolidati (puoi contarci)
- Accelerazione della fase di scoperta molecolare
- Analisi predittiva delle strutture proteiche
- Screening virtuale di librerie di composti
- Supporto diagnostico per imaging medico
- Ottimizzazione di formulazioni e processi produttivi
Risultati promettenti (servono conferme)
- Riduzione del tasso di fallimento nelle fasi cliniche
- Identificazione di biomarcatori per medicina personalizzata
- Riprogettazione di farmaci esistenti per nuove indicazioni
- Previsione di effetti collaterali prima dei trial
Promesse premature (cautela)
- Farmaci “completamente progettati dall’AI” già sul mercato
- Eliminazione della sperimentazione animale
- Riduzione drastica dei costi di sviluppo
- Cure personalizzate generate algoritmicamente
Per approfondire i benefici dell’AI con dati verificati e casi documentati, vale la pena costruirsi un quadro completo prima di prendere decisioni.
AI e scoperta farmaci: il caso italiano
L’Italia non è ai margini di questa trasformazione. L’Istituto Italiano di Tecnologia di Genova lavora su AI per drug discovery. Dompé farmaceutici ha sviluppato una piattaforma proprietaria di AI che ha contribuito all’identificazione di un trattamento per COVID-19 approvato in tempi record. Università come il Politecnico di Milano e la Sapienza hanno gruppi di ricerca attivi.
Il tessuto industriale farmaceutico italiano, concentrato tra Lombardia, Lazio e Toscana, sta integrando questi strumenti. Non per moda, ma perché la competizione globale lo richiede.
Una domanda però resta sospesa: quante aziende italiane stanno investendo in AI per la ricerca scientifica con aspettative realistiche, e quante inseguono promesse gonfiate dal marketing?
La risposta la conosci tu, che vedi i budget e le presentazioni dei fornitori. Il mio suggerimento è semplice: chiedi sempre “dove sono i dati pubblicati?” e “qual è il time-to-market reale?”. Chi ha risultati veri non ha paura di mostrarli.
Il punto di arrivo: distinguere il vero dal verosimile
L’AI nella ricerca scientifica funziona. Non è fantascienza, non è marketing. I risultati ci sono, sono misurabili, sono documentati. Ma funziona in modi specifici, in fasi specifiche, con limiti specifici.
Il farmaco che curerà mia zia, se arriverà, avrà probabilmente beneficiato di questi strumenti. Ma tra la molecola identificata oggi e la compressa in farmacia passeranno anni di trial, di fallimenti, di aggiustamenti. L’AI avrà acceso la luce nella stanza giusta. Il resto del lavoro resta umano, lento, costoso.
Per chi prende decisioni in azienda, questo significa tre cose:
- Investire in AI per R&D ha senso, ma con aspettative calibrate sui tempi reali
- I fornitori che promettono rivoluzioni immediate meritano scetticismo
- I vantaggi documentati dell’intelligenza artificiale esistono e sono significativi, ma vanno cercati dove effettivamente si manifestano
La scienza avanza. L’AI aiuta. Ma la fretta, quella no, non l’ha ancora inventata nessuno.
FAQ
L’AI ha già prodotto farmaci approvati e in commercio?
Non esistono ancora farmaci completamente progettati dall’AI dall’inizio alla fine che abbiano completato tutto il percorso fino alla commercializzazione. Esistono farmaci in cui l’AI ha contribuito a fasi specifiche dello sviluppo.
Quanto tempo risparmia realmente l’AI nella scoperta di farmaci?
I dati disponibili indicano una riduzione dei tempi nella fase di scoperta da 4-5 anni a 12-18 mesi. L’impatto sul tempo totale di sviluppo (10-15 anni) è stimato intorno al 15-20%.
AlphaFold può essere usato da aziende italiane?
Sì. Il database AlphaFold è pubblico e gratuito. Molte aziende farmaceutiche e biotech italiane lo utilizzano già per accelerare la ricerca sulle proteine target.
L’intelligenza artificiale in medicina sostituirà i radiologi?
No. I sistemi approvati sono strumenti di supporto alla diagnosi, non sostituti del medico. La responsabilità clinica resta del professionista sanitario.
Quali sono i limiti attuali dell’AI nella ricerca scientifica?
I principali limiti riguardano la qualità dei dati di training, la difficoltà di prevedere interazioni biologiche complesse, l’impossibilità di accelerare i tempi biologici dei trial clinici.
Come valutare un fornitore di soluzioni AI per il pharma?
Chiedere pubblicazioni peer-reviewed, dati su molecole effettivamente entrate in fase clinica, referenze verificabili, chiarezza sui limiti dello strumento.
L’AI può ridurre i costi di sviluppo dei farmaci?
Potenzialmente sì, ma non esistono ancora dati sufficienti per quantificare la riduzione. Il costo medio di sviluppo resta intorno ai 2,6 miliardi di dollari.
Quali competenze servono in azienda per sfruttare l’AI nella ricerca?
Servono data scientist con competenze in bioinformatica, ma soprattutto serve che i ricercatori tradizionali sappiano dialogare con questi strumenti e interpretarne criticamente i risultati.