Come le biotech nativamente AI stanno riscrivendo le regole della scoperta dei farmaci

Introduzione: Sta emergendo un nuovo tipo di biotecnologia

Per decenni, la scoperta di farmaci ha seguito un percorso familiare: anni di esperimenti di laboratorio, miliardi di dollari di investimento e un’elevata probabilità di fallimento. Il tempo medio per portare un nuovo farmaco sul mercato è tradizionalmente stato di 10-15 anni, con costi che spesso superano i $2 miliardi per molecola approvata. La maggior parte di quel tempo e di quei soldi viene spesa per fallire, testando ipotesi che non si confermano negli esseri umani.

Ora, una nuova ondata di aziende sta cambiando quell’equazione. Si tratta di aziende biotecnologiche AI-native, organizzazioni costruite fin dal primo giorno attorno all’intelligenza artificiale, non realtà che hanno semplicemente adottato strumenti di AI in seguito.Esse non usano l’AI come una funzione; l’AI è la loro fondazione.

Questo cambiamento è più significativo di quanto sembri. Non riguarda solo la velocità. Riguarda il modo in cui la biologia stessa viene compresa, modellata e su cui si interviene. E sta rimodellando l’intera catena del valore farmaceutica.

Cosa rende un’azienda “AI-native”?

Il termine AI-native non è un’etichetta di marketing. Descrive un modo specifico di costruire e gestire un’azienda biotecnologica. Le biotech tradizionali sono state costruite attorno ai wet lab, dove gli scienziati eseguono esperimenti fisici per testare un’ipotesi alla volta. Le biotech AI-native ribaltano questo modello. Costruiscono prima l’infrastruttura computazionale, poi usano il lavoro di laboratorio per convalidare ciò che gli algoritmi hanno già previsto.

Caratteristiche chiave delle aziende biotecnologiche AI-native includono:

1. I dati come asset centrale: Queste aziende investono pesantemente nella generazione di dataset biologici proprietari perché la qualità delle previsioni dell’AI è tanto buona quanto i dati da cui apprende.
2. Team integrati di biologia e machine learning: Biologi e data scientist lavorano nello stesso ciclo, non in dipartimenti isolati.
3. Cicli iterativi di progettazione-costruzione-test: Invece della R&S lineare, eseguono rapidi cicli computazionali che generano migliaia di ipotesi, poi selezionano quelle più promettenti per i test fisici.
4. Modelli di business platform-first: Molte biotech AI-native sono costruite attorno a una piattaforma core, un motore di uso generale che può essere applicato a più aree terapeutiche e modalità di farmaco.

Aziende come Recursion Pharmaceuticals, Isomorphic Labs, Insilico Medicine e Absci sono diventate esempi di questo modello. Ognuna di esse ha costruito piattaforme differenziate che vanno oltre ciò che gli strumenti tradizionali di chimica computazionale o bioinformatica potevano offrire.

Lo stack tecnologico dietro le biotech AI-native

Comprendere cosa rende efficaci queste aziende richiede l’esame delle tecnologie sottostanti su cui si appoggiano.

Grandi modelli biologici: Proprio come i large language model (LLM) come GPT sono stati addestrati sui testi, oggi le aziende stanno addestrando foundation models su sequenze biologiche, proteine, DNA, RNA e piccole molecole. Questi modelli apprendono la grammatica sottostante della biologia. AlphaFold, sviluppato da DeepMind (ora parte di Isomorphic Labs), è l’esempio più prominente. Può prevedere la struttura 3D di praticamente qualsiasi proteina a partire dalla sua sequenza di amminoacidi, un problema che aveva sfidato gli scienziati per 50 anni.

Generative AI per il design delle molecole: I modelli generativi vengono ora utilizzati per progettare nuove molecole farmaceutiche da zero. Piuttosto che screeningare una libreria di composti esistenti, le aziende possono chiedere a un modello di generare una molecola che risponda a un target biologico specifico con proprietà desiderate, solubilità, profilo di tossicità e affinità di legame, tutto incorporato nella specifica.

Integrazione multimodale dei dati biologici: Le aziende AI-native stanno combinando dati di imaging, genomica, proteomica e cartelle cliniche in modelli computazionali unificati. Recursion Pharmaceuticals, per esempio, ha costruito un sistema che cattura dati di imaging cellulare su scala massiccia, miliardi di immagini, e utilizza deep learning per identificare pattern rilevanti per la malattia che nessun occhio umano potrebbe rilevare.

Sistemi di laboratorio autonomi: Alcune aziende stanno accoppiando le previsioni dell’AI con automazione robotica di laboratorio. Questo crea un circuito chiuso in cui l’AI suggerisce un esperimento, un robot lo esegue e il risultato alimenta nuovamente il modello, con minima intervento umano in ogni ciclo.

Dove l’AI fa la differenza maggiore

Le aziende biotech AI-native stanno avendo un impatto lungo il processo di sviluppo dei farmaci, ma i guadagni non sono uguali in tutte le fasi.

Identificazione e convalida del target è dove l’AI ha probabilmente fatto i maggiori progressi. Identificare quale target biologico — una proteina, un recettore o un gene — sia responsabile di una malattia è la prima e spesso più importante decisione nello sviluppo di farmaci. I modelli AI addestrati su dati genomici e proteomici possono ora far emergere target precedentemente invisibili ai ricercatori.

Design e ottimizzazione molecolare è la seconda area di rapido progresso. Progettare una molecola che si leghi efficacemente a un target, sia stabile nell’organismo e non causi tossicità è un problema di ottimizzazione con molteplici vincoli. I modelli AI, in particolare quelli che utilizzano reinforcement learning e approcci generativi basati su diffusion, sono ben adatti a questo tipo di ricerca multi-obiettivo.

Progettazione dei trial clinici e stratificazione dei pazienti sono un fronte emergente. L’AI inizia ad aiutare le aziende a identificare quali pazienti hanno maggiori probabilità di rispondere a un trattamento, rendendo i trial più piccoli, più veloci e più propensi al successo. Questo è particolarmente rilevante in oncologia, dove la biologia del tumore varia ampiamente tra i pazienti.

Previsione della tossicità e delle proprietà ADMET, assorbimento, distribuzione, metabolismo, escrezione e tossicità, più precocemente nel processo è anche un guadagno importante. Storicamente, molti candidati farmaci fallivano in studi in fase avanzata a causa di problemi di sicurezza non individuati fino a studi umani costosi. I modelli AI possono ora segnalare questi rischi già nella fase di progettazione.

Il cambiamento del modello di business

Le biotech AI-native stanno anche cambiando il modo in cui l’industria pensa alla creazione di valore.

Molte di queste aziende operano con un modello doppio: sviluppano internamente il proprio portafoglio di farmaci, offrendo contemporaneamente la loro piattaforma come servizio in licenza alle grandi aziende farmaceutiche. Ciò crea due flussi di ricavi: pagamenti legati a milestone e royalties dalle partnership, e vendite future di farmaci dal loro portafoglio proprietario.

I giganti farmaceutici, tra cui Pfizer, Merck, Sanofi e AstraZeneca, hanno tutti firmato partnership significative con aziende biotech AI-native negli ultimi anni. Questi accordi sono spesso strutturati attorno a un modello di co-sviluppo, in cui l’azienda AI fornisce l’identificazione dei target o la progettazione molecolare, mentre la società farmaceutica finanzia lo sviluppo clinico e la commercializzazione.

Questo modello di partnership accelera anche l’accesso ai dati clinici real-world, una delle risorse più preziose e scarse per l’addestramento dei modelli biologici AI. Le grandi aziende farmaceutiche possiedono decenni di dati clinici che le startup AI-native non possono facilmente replicare.

Le biotech AI-native accelerano la scoperta, ma le molecole devono comunque attraversare complessi percorsi regolatori dall’IND all’approvazione.

Comprendere il processo aiuta.

→ Leggi: Esplorare i percorsi regolatori dei biofarmaci

Sfide che restano

Nonostante lo slancio, le biotech AI-native affrontano sfide reali e serie.

Qualità dei dati e rumore biologico: La biologia è intrinsecamente rumorosa. I risultati sperimentali variano tra laboratori, linee cellulari e condizioni. Addestrare modelli AI su dati di bassa qualità o generati in modo inconsistente può portare a previsioni eccessivamente sicure che falliscono in clinica.

Generalizzazione alla biologia umana: La maggior parte dei dati di addestramento proviene da linee cellulari o modelli animali. Tradurre le previsioni nella biologia umana rimane uno dei problemi più difficili in medicina, e l’AI non l’ha ancora risolto.

Incertezza regolatoria: Agenzie regolatorie come FDA ed EMA stanno ancora sviluppando quadri per valutare le evidenze generate dall’AI nelle sottomissioni di farmaci. Questioni relative all’interpretabilità dei modelli, alla provenienza dei dati e al bias algoritmico sono ancora irrisolte.

Costi di talenti e infrastrutture: Costruire e gestire queste piattaforme richiede talenti specializzati all’intersezione tra machine learning, biologia e chimica, una nicchia ristretta a livello globale. Anche l’infrastruttura di calcolo necessaria per addestrare grandi modelli biologici è costosa.

Le piattaforme AI-native rappresentano una frontiera della trasformazione digitale.

Scopri come le aziende farmaceutiche stanno integrando l’AI in tutte le operazioni, non solo nella scoperta.

→ Leggi: Trasformazione digitale in Pharma: casi d’uso

Com’è il futuro

Lo sviluppo più importante in questo ambito potrebbe essere ancora davanti a noi: la convergenza della scoperta di farmaci AI-native con lo sviluppo clinico AI-native. Se l’AI riuscisse a comprimere non solo la fase di scoperta ma anche la progettazione e l’esecuzione delle sperimentazioni cliniche, la tempistica tradizionale di 10–15 anni potrebbe ridursi drasticamente.

Diverse aziende stanno già sperimentando disegni di trial adattivi alimentati dall’AI, usando dati paziente in tempo reale per modificare i parametri dello studio senza compromettere l’integrità statistica. Altre stanno sviluppando biomarcatori digitali e diagnostiche AI-powered che potrebbero abilitare il monitoraggio continuo dei pazienti al di fuori dei contesti clinici tradizionali.

C’è anche un crescente interesse in ciò che alcuni ricercatori chiamano "biologia programmabile", l’idea che le cellule stesse possano in futuro essere progettate e tarate usando strumenti genetici guidati dall’AI come CRISPR, permettendo trattamenti altamente specifici per la biologia di un singolo paziente.

Conclusione

Le aziende biotech AI-native non sono una moda passeggera. Rappresentano un cambiamento strutturale nel modo in cui i medicinali vengono scoperti e sviluppati. Trattando la biologia come un problema di dati e integrando l’AI a ogni livello delle loro operazioni, queste aziende stanno ottenendo risultati che non erano possibili solo cinque anni fa. Stanno trovando target trascurati, progettando molecole che si adattano alla biologia in modo più preciso e avanzando più rapidamente nelle fasi iniziali dello sviluppo rispetto a qualsiasi generazione precedente di aziende farmaceutiche.

La strada davanti presenta ancora importanti ostacoli di natura regolatoria, scientifica e commerciale. Ma la direzione è chiara. La prossima generazione di farmaci innovativi avrà sempre più probabilmente un algoritmo alla sua origine.

Domande frequenti

1. Cos’è un’azienda biotech AI-native? 

Un’azienda biotech AI-native è costruita fin dalle fondamenta attorno all’intelligenza artificiale, nel senso che l’AI guida la scoperta dei target, la progettazione delle molecole e i flussi di lavoro di ricerca, invece di essere aggiunta successivamente ai processi di laboratorio tradizionali.

2. In che modo l’AI accelera la scoperta di farmaci? 

L’AI può analizzare enormi set di dati biologici, predire strutture proteiche, progettare molecole farmacologiche in modo computazionale e identificare precocemente i rischi di tossicità, riducendo significativamente tempi e costi della R&S in fase iniziale rispetto agli approcci sperimentali convenzionali.

3. Quali aziende biotech AI-native guidano il settore? 

Aziende di rilievo includono Recursion Pharmaceuticals, Isomorphic Labs, Insilico Medicine, Absci ed Exscientia, ciascuna con piattaforme AI differenziate che mirano a diverse parti del processo di sviluppo dei farmaci.

4. Che cosa è AlphaFold e perché è importante per la biotech? 

AlphaFold è un modello di deep learning sviluppato da DeepMind che predice la struttura 3D delle proteine a partire dalle loro sequenze di amminoacidi. La previsione accurata della struttura delle proteine è fondamentale per la progettazione dei farmaci, e AlphaFold ha reso questo accessibile su larga scala per la prima volta.

5. Esistono quadri normativi per i farmaci scoperti con l'IA? 

Agenzie regolatorie come la FDA e l'EMA stanno attivamente sviluppando linee guida sull'uso dell'IA nello sviluppo farmacologico. Attualmente, i farmaci scoperti tramite IA seguono gli stessi processi di sperimentazione clinica e approvazione dei farmaci sviluppati in modo convenzionale, ma la trasparenza dei modelli e la qualità dei dati sono sottoposte a un controllo sempre più attento.