Come l'AI sta cambiando il modo di lavorare dei team di ricerca farmaceutica

La scoperta di farmaci non è mai stata facile. In media servono più di 10 anni e oltre $2.5 billion per portare un singolo nuovo farmaco sul mercato, e il tasso di insuccesso nelle sperimentazioni cliniche si aggira ancora oltre il 90%. Per decenni, i team di ricerca nelle aziende farmaceutiche e biotech hanno lavorato sotto enorme pressione: trovare il target giusto, convalidarlo, sviluppare una molecola efficace e fare tutto questo più rapidamente della concorrenza.

Ora l'intelligenza artificiale sta intervenendo, non per sostituire gli scienziati, ma per lavorare al loro fianco. Il modello che oggi sta raccogliendo più consenso nella scoperta di farmaci è il team di ricerca potenziato dall'AI: una configurazione ibrida in cui scienziati umani e strumenti di AI lavorano insieme, ognuno facendo ciò che sa fare meglio.

Questo cambiamento non è solo un aggiornamento tecnologico. Rappresenta una trasformazione fondamentale nel modo in cui la ricerca farmaceutica è organizzata, nel modo in cui si prendono le decisioni e nella rapidità con cui nuovi trattamenti possono raggiungere i pazienti.

Cosa significa realmente "AI-augmented"?

Il termine "augmented" è importante qui. Non significa automatizzato. Un team di ricerca potenziato dall'AI è uno in cui gli strumenti di AI sono integrati nel flusso di lavoro quotidiano degli scienziati, aiutandoli ad analizzare i dati più velocemente, a evidenziare pattern che potrebbero sfuggire e a dare priorità agli esperimenti da eseguire successivamente.

Pensatelo come l'aggiunta di un assistente di ricerca molto capace che non dorme mai, può leggere milioni di articoli scientifici durante la notte e può eseguire migliaia di simulazioni nel tempo che uno scienziato impiega a scrivere un singolo rapporto di laboratorio. Lo scienziato rimane il motore della ricerca. L'AI espande ciò che è possibile nelle ore di lavoro di quello scienziato.

Alcune delle aree chiave in cui l'AI è ora integrata nei flussi di lavoro dei team di ricerca includono:

1. Identificazione e convalida dei target: Modelli di AI addestrati su dataset genomici, proteomici e clinici possono identificare target biologici rilevanti per la malattia molto più rapidamente rispetto alla revisione manuale della letteratura.
2. Design molecolare: Modelli di AI generativa, come quelli che utilizzano architetture di deep learning come le graph neural networks, possono proporre nuove strutture molecolari con affinità di legame, selettività e profili ADMET (assorbimento, distribuzione, metabolismo, escrezione, tossicità) previsti.
3. Screening di composti: Lo screening virtuale tramite AI riduce la necessità di testare fisicamente milioni di composti prevedendo quali candidati hanno maggiori probabilità di successo prima che entrino in laboratorio.
4. Ottimizzazione delle sperimentazioni cliniche: Gli strumenti di AI aiutano i team a identificare popolazioni di pazienti eleggibili, prevedere i tassi di abbandono e segnalare segnali di sicurezza più precocemente nel processo di sperimentazione.
5. Estrazione dalla letteratura: Strumenti di natural language processing (NLP) possono scansionare e riassumere migliaia di articoli pubblicati, segnalando i risultati più rilevanti per il team di ricerca.

Perché i team di ricerca stanno adottando questo modello

L'industria farmaceutica ha sempre generato enormi quantità di dati. Ciò che è cambiato è la capacità di interpretare quei dati su scala. Gli strumenti tradizionali di bioinformatica erano potenti ma limitati. I sistemi di AI odierni, in particolare i large language models e l'apprendimento automatico basato su grafi, possono integrare dati provenienti da più fonti simultaneamente: genomica, cartelle cliniche elettroniche, dati di imaging, profili di biomarcatori e letteratura pubblicata.

Questa integrazione multimodale di dati è qualcosa che i team umani semplicemente non possono fare con la stessa rapidità o scala.

Oltre alla velocità, ci sono diverse ragioni pratiche per cui le aziende farmaceutiche stanno costruendo team potenziati dall'AI:

1. Riduzione delle attrizioni: Uno dei costi più elevati nello sviluppo di farmaci è il fallimento in fase avanzata. Il filtraggio precoce guidato dall'AI aiuta a identificare candidati deboli prima che vengano investite risorse significative.
2. Espansione dello spazio chimico: I ricercatori umani tendono a lavorare all'interno di classi strutturali familiari. I sistemi di AI possono proporre composti in spazi chimici inesplorati che gli umani non prenderebbero in considerazione intuitivamente.
3. Consentire a team più piccoli di fare di più: Con gli strumenti di AI che gestiscono l'elaborazione dei dati e la generazione di ipotesi, gruppi di ricerca più piccoli possono operare con una capacità produttiva che prima avrebbe richiesto team molto più numerosi.
4. Accelerare la ricerca sulle malattie rare: Nei programmi per malattie orfane, le popolazioni di pazienti sono piccole e i dati sono scarsi. I modelli di AI addestrati su percorsi biologici correlati possono contribuire a colmare questi vuoti di dati.

Applicazioni reali che guidano questo cambiamento

La prova più convincente per i team di ricerca potenziati dall'AI proviene da ciò che sta già accadendo sul campo.

Insilico Medicine ha utilizzato una piattaforma di AI generativa per identificare un nuovo candidato farmaco per la fibrosi polmonare idiopatica in circa 18 mesi, un processo che tipicamente richiede 4-5 anni. Il composto è passato alle sperimentazioni cliniche, dimostrando che le molecole progettate dall'AI non sono solo esercizi teorici.

Recursion Pharmaceuticals ha costruito l'intero suo modello attorno alla biologia potenziata dall'AI. La loro piattaforma genera milioni di immagini cellulari a settimana. Utilizza machine learning per identificare cambiamenti fenotipici rilevanti per la malattia, creando una mappa biologica delle relazioni farmaco-malattia che i team umani non potrebbero produrre manualmente.

BenevolentAI applica NLP e tecnologia di knowledge graph per collegare i dati biomedici esistenti in modi che mettono in luce relazioni biologiche non ovvie. Il loro lavoro su baricitinib come potenziale trattamento per COVID-19, identificato tramite analisi della letteratura guidata dall'AI, è ora uno degli esempi più citati di AI che contribuisce a risultati clinici reali.

Questi non sono programmi pilota. Sono team di ricerca operativi, e i loro strumenti di AI sono centrali nel modo in cui funzionano ogni giorno.

Insilico Medicine, Recursion e BenevolentAI sono solo tre delle aziende che stanno rimodellando la scoperta di farmaci con l'AI.

Una panoramica completa delle principali aziende di drug discovery basate sull'AI che guidano questa trasformazione nel 2026.

→ Leggi: Principali aziende di drug discovery con AI 2026

Il ruolo umano è cambiato, non diminuito

Una preoccupazione comune è che l'AI ridurrà l'organico nei team di ricerca. La realtà, finora, è diversa. Ciò che sta cambiando è il tipo di lavoro a cui gli scienziati dedicano il loro tempo.

Nella ricerca tradizionale, una parte significativa del tempo degli scienziati è impiegata in compiti manuali: cercare nella letteratura, elaborare dati grezzi, eseguire saggi ripetitivi e costruire fogli di calcolo. L'AI si occupa ora di gran parte di questo. Quello che non può fare, almeno non in modo affidabile, è esercitare il giudizio scientifico, progettare strategie sperimentali nuove, interpretare risultati inattesi o districarsi nelle dimensioni regolatorie, etiche e commerciali dello sviluppo di farmaci.

I ricercatori senior in team potenziati dall'AI riferiscono che il loro lavoro è diventato più intellettualmente focalizzato. Dedicano più tempo alla generazione di ipotesi, alla progettazione sperimentale e all'interpretazione, il pensiero di ordine superiore che fa progredire un programma.

Le nuove competenze che stanno diventando preziose nei team di ricerca includono:

1. Capire come formulare domande scientifiche per gli strumenti di AI
2. Essere in grado di valutare criticamente gli output generati dall'AI piuttosto che accettarli acriticamente
3. Collaborare con data scientist e ingegneri di machine learning
4. Comprendere i limiti dei modelli di AI, in particolare riguardo al bias dei dati e all'interpretabilità del modello

Sfide che devono ancora essere risolte

La ricerca potenziata dall'AI non è priva di problemi. Il campo si muove rapidamente e ci sono sfide scientifiche e operative reali che i team stanno ancora affrontando.

Qualità dei dati e bias rimangono le questioni più fondamentali. I modelli di AI sono buoni quanto i dati su cui vengono addestrati. Nella drug discovery, i dataset storici spesso sovrarappresentano certe aree patologiche, determinate popolazioni di pazienti e certe condizioni sperimentali. I modelli addestrati su dati distorti possono produrre previsioni sicure ma fuorvianti.

Interpretabilità dei modelli è un'altra sfida irrisolta. Molti sistemi di AI ad alte prestazioni nella drug discovery, in particolare i modelli di deep learning, funzionano come scatole nere. Producono un risultato, ma il ragionamento alla base di quel risultato non è sempre chiaro. Per scopi regolatori e per la fiducia scientifica, la capacità di spiegare una previsione è importante.

Colli di bottiglia nella validazione non sono scomparsi. Anche con l'AI che accelera lo screening virtuale e l'identificazione degli hit, la validazione sperimentale richiede ancora tempo, infrastrutture fisiche e manodopera qualificata. Il collo di bottiglia si è spostato a valle, ma non è stato eliminato.

Integrazione con i quadri regolatori è ancora in evoluzione. Le agenzie regolatorie, inclusi FDA e EMA, hanno iniziato a pubblicare linee guida su AI e machine learning nello sviluppo di farmaci, ma i quadri per validare le evidenze generate dall'AI nelle submission sono ancora in fase di sviluppo.

La qualità dei dati, l'interpretabilità dei modelli e i quadri regolatori non sono gli unici ostacoli.

Uno sguardo più approfondito all'intero spettro delle sfide che oggi affronta la drug discovery guidata dall'AI.

→ Leggi: Affrontare le sfide della scoperta di farmaci nell'industria farmaceutica

Come saranno i prossimi cinque anni

La traiettoria è chiara. L'AI non sparirà dalla ricerca farmaceutica; si sta integrando sempre più profondamente. Diverse tendenze stanno plasmando il futuro prossimo.

Il federated learning, dove i modelli di AI vengono addestrati su più dataset senza condividere i dati grezzi, sta permettendo ai team di ricerca di accedere a dati di addestramento più ampi rispettando la privacy dei dati e i confini competitivi. Questo è particolarmente rilevante per la ricerca sulle malattie rare, dove l'aggregazione dei dati tra istituzioni potrebbe migliorare significativamente le prestazioni dei modelli.

I foundation models addestrati su dati biologici, talvolta chiamati modelli linguistici biologici, stanno iniziando a mostrare la stessa versatilità in biologia che i large language models hanno mostrato nel testo. Modelli come ESMFold (sviluppato da Meta AI) possono prevedere strutture proteiche a partire solo dalla sequenza, ampliando il lavoro di AlphaFold e accelerando potenzialmente in modo significativo la ricerca in biologia strutturale.

Gli AI agents, sistemi autonomi che possono pianificare ed eseguire attività di ricerca multi-step con minima direzione umana, stanno cominciando ad apparire nei contesti di automazione di laboratorio. Sebbene la discovery di farmaci completamente autonoma rimanga speculativa, l'integrazione di strumenti di pianificazione AI con sistemi robotici di laboratorio sta già mostrando i primi risultati.

Per i team di ricerca, l'implicazione pratica è semplice: le organizzazioni che investiranno ora nella costruzione di workflow integrati con l'AI e svilupperanno l'expertise interna per utilizzare questi strumenti in modo critico ed efficace avranno un vantaggio significativo.

Conclusione

L'ascesa dei team di ricerca potenziati dall'AI segna uno dei cambiamenti più significativi nella scienza farmaceutica da decenni. Non si tratta di sostituire gli scienziati. Si tratta di fornire loro strumenti che ampliano ciò che è possibile entro i limiti di tempo, budget e attenzione umana.

I team che stanno avendo successo con questo modello sono quelli che trattano l'AI come un collaboratore, non come una scorciatoia. Validano i suoi output, mettono in discussione le sue assunzioni e combinano la sua potenza computazionale con il giudizio scientifico umano. Questa combinazione, ricercatori esperti e attenti che lavorano accanto a potenti sistemi di AI, è dove si stanno costruendo la prossima generazione di medicine.

FAQ

1. Cos'è un team di ricerca potenziato dall'AI in ambito pharma? 

Un team di ricerca potenziato dall'AI combina scienziati umani con strumenti di intelligenza artificiale per accelerare la drug discovery, migliorare l'analisi dei dati e ridurre i costosi fallimenti dei trial, senza sostituire il giudizio scientifico.

2. In che modo l'AI aiuta nella drug discovery? 

L'AI assiste nell'identificazione dei target, nella progettazione molecolare, nello screening virtuale dei composti, nell'ottimizzazione dei trial clinici e nell'analisi della letteratura scientifica, permettendo decisioni più rapide e accurate in ogni fase dello sviluppo.

3. Quali aziende farmaceutiche stanno utilizzando l'AI nella ricerca? 

Aziende come Insilico Medicine, Recursion Pharmaceuticals e BenevolentAI hanno integrato l'AI nei loro flussi di lavoro di ricerca principali, con diversi composti progettati dall'AI già avanzati nelle sperimentazioni cliniche.

4. L'AI sostituisce gli scienziati nella ricerca farmaceutica? 

No. L'AI si occupa di attività ripetitive e ad alta intensità di dati, liberando gli scienziati per concentrarsi su attività di livello superiore, come la progettazione sperimentale, l'interpretazione dei risultati e le decisioni strategiche.

5. Quali sono le principali sfide dell'AI nella scoperta di farmaci? 

Le sfide principali includono la qualità dei dati e i bias nei dataset di addestramento, la limitata interpretabilità dei modelli, i colli di bottiglia nella validazione sperimentale e i quadri normativi in evoluzione per le evidenze generate dall'AI.