Farmaci creati dagli algoritmi: come l'intelligenza artificiale sta riscrivendo le regole della ricerca farmaceutica
Sommario
1. L'irruzione dell'IA nei laboratori farmaceutici 2. Come nasce un farmaco: il percorso tradizionale 3. Algoritmi al posto delle provette 4. Sperimentazione clinica 5. Le agenzie regolatorie si adeguano 6. Medicina di precisione: il farmaco giusto per ogni paziente 7. Le zone d'ombra: responsabilità, trasparenza e dati sensibili 8. Una trasformazione inevitabile, ma da governare
L'irruzione dell'IA nei laboratori farmaceutici
L'intelligenza artificiale ha smesso di essere un concetto relegato alla fantascienza o alle aziende tecnologiche della Silicon Valley. Oggi è uno strumento operativo che attraversa settori diversissimi tra loro: dalla logistica alla finanza, dall'agricoltura alla pubblica amministrazione. Ma è nel comparto farmaceutico che la sua presenza sta producendo effetti potenzialmente dirompenti. Algoritmi progettati per analizzare milioni di dati molecolari stanno entrando nei laboratori di ricerca, affiancando — e in alcuni casi sostituendo — processi che per decenni hanno richiesto anni di lavoro manuale. Non si tratta di un fenomeno marginale. Secondo un recente dossier pubblicato dall'Agenzia italiana del farmaco (Aifa), intitolato _«Intelligenza Artificiale e salute»_, il mercato globale dell'IA applicata alla ricerca farmaceutica cresce a ritmi superiori al 40% annuo, con proiezioni che indicano un'espansione costante almeno fino al 2030. Numeri che fotografano una trasformazione già in atto, non una promessa futura. Le grandi aziende farmaceutiche investono massicciamente, le startup biotech nascono attorno a piattaforme algoritmiche, e persino le autorità regolatorie stanno rivedendo i propri strumenti di valutazione.
Come nasce un farmaco: il percorso tradizionale
Per comprendere la portata del cambiamento, occorre partire da un dato di fatto spesso sottovalutato: sviluppare un farmaco è un'impresa titanica. Il percorso tradizionale inizia con la fase di _drug discovery_, durante la quale i ricercatori identificano un bersaglio biologico — una proteina, un recettore, un gene — coinvolto in una determinata patologia. Segue lo screening di migliaia, talvolta milioni, di composti chimici per individuare quelli in grado di interagire con quel bersaglio. Le molecole più promettenti vengono poi ottimizzate in laboratorio e sottoposte a test preclinici su modelli cellulari e animali. Solo a quel punto si passa alla sperimentazione sull'uomo, articolata in tre fasi cliniche di complessità crescente: la Fase I valuta la sicurezza su un piccolo gruppo di volontari sani, la Fase II esplora l'efficacia su pazienti affetti dalla patologia, la Fase III coinvolge migliaia di soggetti per confermare i risultati su larga scala. L'intero processo dura in media 10-15 anni e costa tra 1 e 2,5 miliardi di dollari. Il tasso di fallimento è altissimo. Solo una molecola su diecimila tra quelle studiate in laboratorio arriva effettivamente nelle farmacie. Un rischio enorme, che grava su aziende, sistemi sanitari e, in ultima analisi, sui pazienti.
Algoritmi al posto delle provette
È esattamente in questo scenario che l'intelligenza artificiale promette di cambiare le regole del gioco. Gli algoritmi di machine learning e deep learning sono in grado di analizzare enormi archivi di dati chimici, genetici e clinici, individuando correlazioni invisibili all'occhio umano. Partendo da queste correlazioni, i sistemi di IA identificano nuovi bersagli terapeutici e generano molecole virtuali, valutandone già in fase preliminare parametri cruciali come tossicità, assorbimento e potenziale efficacia. Quello che un team di ricercatori impiegherebbe mesi a elaborare, un algoritmo lo completa in poche ore. Un esempio concreto: nel 2023 la società biotecnologica Insilico Medicine ha portato in sperimentazione clinica un farmaco per la fibrosi polmonare idiopatica interamente progettato tramite IA, dalla scoperta del bersaglio alla sintesi della molecola. Il tempo impiegato nella fase preclinica è stato di circa 18 mesi, contro una media tradizionale di quattro-cinque anni. Il risultato, almeno sulla carta, è una ricerca più veloce e meno costosa. Ma anche più dipendente dalla qualità dei dati disponibili. Dati incompleti, distorti o non rappresentativi possono generare molecole inefficaci o, peggio, potenzialmente dannose. La potenza dell'algoritmo, insomma, non è mai superiore alla qualità delle informazioni che lo alimentano.
Sperimentazione clinica
Se la scoperta di nuove molecole può essere accelerata dagli algoritmi, il vero ostacolo resta la sperimentazione clinica. Oggi solo circa il 12% dei programmi di sviluppo farmaceutico arriva all'approvazione finale da parte delle autorità regolatorie. Uno dei problemi principali riguarda il reclutamento dei pazienti: studi clinici sempre più complessi richiedono criteri di selezione estremamente specifici, e trovare soggetti compatibili può richiedere mesi, se non anni. Qui l'intelligenza artificiale interviene con strumenti di analisi automatica delle cartelle cliniche elettroniche, capaci di individuare in pochi minuti pazienti compatibili con protocolli sperimentali articolati. Un processo che tradizionalmente impegna interi team di coordinatori clinici per settimane. Ma la frontiera più ambiziosa — e controversa — è quella dei cosiddetti «pazienti virtuali»: modelli digitali che replicano il comportamento biologico di un individuo reale e permettono di simulare scenari clinici prima della sperimentazione su esseri umani. L'idea è affascinante. Ridurre il numero di soggetti necessari per i trial, anticipare possibili reazioni avverse, ottimizzare i dosaggi. Tuttavia, la comunità scientifica mantiene una cautela legittima: nessun modello digitale, per quanto sofisticato, può riprodurre l'intera complessità biologica di un organismo vivente. I margini di errore restano significativi.
Le agenzie regolatorie si adeguano
La rivoluzione algoritmica non riguarda solo i laboratori. Anche le autorità regolatorie stanno cercando di adattarsi a un panorama in rapida evoluzione. L'Agenzia europea dei medicinali (Ema) ha avviato un programma specifico dedicato all'uso dell'intelligenza artificiale nei processi regolatori, con l'obiettivo di definire standard chiari per la valutazione di farmaci sviluppati con il supporto algoritmico. Negli Stati Uniti, la Food and Drug Administration (Fda) si è mossa con ancora maggiore rapidità: sta già sperimentando strumenti di IA per accelerare le valutazioni dei farmaci innovativi, e ha pubblicato linee guida preliminari sull'impiego del machine learning nei dispositivi medici. In Italia, l'Aifa sta iniziando a utilizzare strumenti predittivi per supportare le analisi di Health Technology Assessment e l'esame dei dossier regolatori. Come sottolineato dal presidente dell'Agenzia, Robert Nisticò, _«l'intelligenza artificiale non è una moda passeggera, ma una leva strategica per l'evoluzione della medicina moderna»_. Il messaggio è chiaro: le istituzioni non possono restare a guardare mentre il settore privato corre. Servono regole nuove, competenze aggiornate e una capacità di valutazione che tenga il passo con l'innovazione tecnologica.
Medicina di precisione: il farmaco giusto per ogni paziente
Un altro terreno su cui l'IA sta già producendo risultati tangibili è la medicina di precisione. Il principio è semplice nella formulazione, complesso nell'applicazione: non tutti i pazienti reagiscono allo stesso modo allo stesso farmaco. Variabili genetiche, ambientali, metaboliche e cliniche influenzano profondamente la risposta alle terapie. Incrociando enormi quantità di dati — dal sequenziamento genomico alle informazioni sullo stile di vita — gli algoritmi possono suggerire il trattamento più efficace per ogni singolo paziente. La medicina «taglia unica» lascia progressivamente spazio a cure sempre più personalizzate. Un cambio di paradigma che promette benefici clinici enormi: meno effetti collaterali, maggiore efficacia terapeutica, riduzione degli sprechi. Ma che richiede sistemi sanitari molto più digitalizzati di quelli attuali. In Italia, dove la frammentazione regionale dei sistemi informativi sanitari resta un problema strutturale, la strada è ancora lunga. I fascicoli sanitari elettronici non sono interoperabili tra le diverse Regioni, le banche dati cliniche sono spesso incomplete, e la cultura del dato in sanità sconta ritardi significativi rispetto ad altri Paesi europei. Senza un'infrastruttura digitale solida, la promessa della medicina personalizzata rischia di restare tale.
Le zone d'ombra: responsabilità, trasparenza e dati sensibili
L'entusiasmo tecnologico non può cancellare le domande più scomode. Molti sistemi di intelligenza artificiale funzionano come vere e proprie «scatole nere»: producono risultati difficili da interpretare anche per gli stessi sviluppatori. Un problema tutt'altro che secondario quando si parla di decisioni che riguardano la salute delle persone. Se un medico non è in grado di comprendere il ragionamento alla base di una raccomandazione terapeutica generata da un algoritmo, come può assumersi la responsabilità di seguirla? E qui si apre il nodo più delicato: la responsabilità legale. Se un algoritmo suggerisce un trattamento sbagliato, chi risponde? Il medico che lo ha prescritto? Il programmatore che ha sviluppato il software? L'azienda che lo commercializza? Il quadro normativo attuale non offre risposte definitive. Il Regolamento europeo sull'intelligenza artificiale (AI Act), entrato in vigore nel 2024, classifica le applicazioni sanitarie tra quelle ad alto rischio, imponendo requisiti stringenti di trasparenza e tracciabilità. Ma l'applicazione concreta di queste norme è ancora in fase di definizione. C'è poi il tema cruciale dei dati sensibili. Le applicazioni di IA in sanità richiedono l'accesso a informazioni estremamente delicate — cartelle cliniche, dati genomici, storie terapeutiche — che devono essere protette con la massima cura ma anche rese utilizzabili per la ricerca.
Una trasformazione inevitabile, ma da governare
Nonostante le problematiche aperte, il percorso appare tracciato. L'intelligenza artificiale nella ricerca farmaceutica non è un'opzione: è una trasformazione strutturale già in corso, che nessun attore del sistema — aziende, istituzioni, professionisti sanitari — può permettersi di ignorare. I benefici potenziali sono enormi: tempi di sviluppo ridotti, costi abbattuti, terapie più mirate ed efficaci. Come ha affermato Nisticò, il traguardo è _«rendere possibile ciò che fino a pochi anni fa sembrava utopia: il farmaco giusto, per la persona giusta, al momento giusto»_. Ma perché questa rivoluzione funzioni davvero, serve molto più della sola tecnologia. Servono regole etiche condivise, cooperazione tra scienza, industria e istituzioni, trasparenza nel funzionamento dei sistemi algoritmici, e investimenti massicci nella digitalizzazione dei sistemi sanitari. La sfida, in definitiva, non è solo tecnologica. È culturale, normativa e politica. _«La medicina del futuro sarà inevitabilmente più digitale»_, ha concluso il presidente dell'Aifa. _«Bisogna far sì che sia anche più giusta, più accessibile, più umana»_. Un monito che vale per l'intero ecosistema della salute: l'algoritmo può essere uno strumento straordinario, a patto che resti tale — uno strumento — e non diventi il decisore ultimo in un ambito dove l'errore si misura in vite umane.