AI e nuovi farmaci: tempi e costi si riducono, ma chi ha accesso ai dati controlla le scoperte

Foto: Adobe Stock

L’intelligenza artificiale sta colonizzando anche il settore farmaceutico, con un’accelerazione significativa negli ultimi anni. Nonostante nessun farmaco sviluppato con l’ausilio di AI sia ancora stato approvato per uso commerciale, alcune molecole hanno già superato gli studi di fase 1 e 2: è il caso di Rentosertib progettato per trattare la fibrosi polmonare idiopatica e REC-994  indicato per la malformazione cavernosa cerebrale. “I prossimi mesi saranno decisivi per monitorare l’ingresso in fase 3, e forse i primi farmaci IA-discovered potrebbero arrivare sul mercato tra pochi anni”. L’Agenzia Italiana del Farmaco (AIFA), nel rapporto pubblicato a marzo dal titolo Intelligenza artificiale e salute, definisce l’introduzione dell’AI non solo come una questione tecnologica ma soprattutto come una trasformazione culturale e strategica, che spinge le industrie a ripensare il modo in cui gestiscono i dati, prendono decisioni e stabiliscono priorità di investimento. 

Accelerare il processo di ricerca e sviluppo

Il 62% delle aziende farmaceutiche utilizza già l’intelligenza artificiale nelle attività di ricerca e sviluppo, e si prevede un aumento del 45% nei prossimi cinque anni. Oggi sono decine i candidati farmaci sviluppati con AI, alcuni dei quali citati anche nel rapporto AIFA: tra questi, REC-3565 sviluppato per la cura di alcuni tipi di neoplasie ematologiche; REC-617 per il trattamento di tumori solidi in stadio avanzato; DSP-1181 uno dei primi farmaci progettati con l'AI a essere entrato in studi clinici sull'uomo nel 2020, per la terapia del disturbo ossessivo-compulsivo. Quest’ultimo, in particolare, è stato sviluppato in circa 12 mesi, rispetto ai 4-6 anni richiesti dai programmi tradizionali. Gli studi di fase 1 sono stati completati con profili di sicurezza favorevoli, ma il programma non è avanzato alla fase 2. 

Tra il 2016 e il 2024, il numero di candidati farmaci progettati o identificati tramite AI ed entrati nella fase di sperimentazione clinica è cresciuto in modo esponenziale, superando le 75 molecole alla fine del 2024. Le prime sono state scoperte tra il 2018 e il 2020, ma l’accelerazione più significativa è avvenuta negli ultimi tre anni. Molti hanno raggiunto la fase 1 in una frazione dei tipici cinque anni necessari per la scoperta e il lavoro preclinico, in alcuni casi entro i primi due anni. 

Si consideri che in genere trascorrono dai 12 ai 15 anni dall’inizio di un programma di ricerca al momento in cui le agenzie nazionali di regolamentazione concedono l'autorizzazione all'immissione in commercio. E il costo medio per immettere un farmaco sul mercato può raggiungere i 2,6 miliardi di dollari. Tempi dilatati e oneri finanziari dipendono in larga parte dagli elevati tassi di insuccesso nelle varie fasi di sviluppo del prodotto, dato che circa nove farmaci su dieci non arrivano sul mercato. A ciò si aggiunga che le nuove cure, specie quelle più avanzate, hanno costi sempre più elevati. Per queste ragioni aziende farmaceutiche e sistemi sanitari cercano modi per accelerare il processo di ricerca e sviluppo. 

L’intelligenza artificiale potrebbe risponde a queste esigenze, contribuendo a ridurre tempi e costi. “L’AI – osserva Giuseppe Cirino, past president della Società Italiana di Farmacologia e professore di farmacologia all’Università Federico II di Napoli  – accelera i processi che normalmente richiedono tempi lunghi. Oggi abbiamo milioni di informazioni e l’intelligenza artificiale aiuta a mettere ordine, esaminando grandi quantità di dati attraverso algoritmi. Si tratta di una selezione guidata, che consente di prendere decisioni in modo più informato e veloce”. 

Va detto però che l’accelerazione dei tempi di scoperta non sempre garantisce il successo, dato che esistono molti aspetti da considerare, tra cui la qualità dei dati, l’interpretabilità dei modelli, ma anche ostacoli normativi e problematiche etiche. Secondo uno studio pubblicato nel 2024,  negli studi di fase 1 le molecole derivate dall'AI possono avere un tasso di successo dell'80-90%, che è più alto rispetto alle medie osservate in passato per i farmaci sviluppati con metodi tradizionali. Negli studi di fase 2, però, i dati indicano un tasso di successo di circa il 40%, in linea con le medie storiche del settore. E, come si è detto, nessun farmaco è ancora entrato nella fase 3. 

Laboratori “aumentati” dall’AI

Negli ultimi anni si sta affermando, dunque, un nuovo tipo di industria che adotta un approccio guidato dai dati per la scoperta di nuovi farmaci. Queste aziende, spesso definite “AI-native biotech”, affiancano alle ipotesi sperimentali l’utilizzo di enormi database, contenenti informazioni di tipo clinico, genomico e chimico che vengono analizzate da sistemi di intelligenza artificiale. In questo modo si ottengono previsioni computazionali, successivamente validate sperimentalmente, con il potenziale di ridurre tempi e costi del processo di sviluppo. Tra le principali aziende del settore, il rapporto AIFA cita Insilico Medicine, Exscientia, BenevolentAI, Atomwise e Deep genomics. 

Le piattaforme di AI utilizzate per lo sviluppo di nuovi farmaci comprendono moduli specifici per la scoperta dei target (proteine, geni o recettori), per la generazione di molecole, per la progettazione preclinica e clinica. “Nella sperimentazione clinica l’AI ha un ruolo crescente, sebbene non sostitutivo di ricercatori e ricercatrici – dichiara Cirino –. Serve, per esempio, a progettare gli studi clinici in modo più efficiente: aiuta a costruire trial meglio strutturati, a selezionare i pazienti più adatti e a identificare i sottogruppi che potrebbero rispondere meglio a una terapia. Inoltre, consente di monitorare i dati in tempo reale”. L’uso di sistemi come TrialGPT per esempio permette di analizzare milioni di cartelle cliniche in pochi minuti, identificando pazienti che soddisfano particolari criteri clinici e ottimizzando i criteri di inclusione o esclusione nei trial clinici.  

Guardando al futuro, il rapporto AIFA descrive ulteriori ambiti di impiego dell’intelligenza artificiale, partendo dallo sviluppo dei cosiddetti “pazienti virtuali”, cioè modelli digitali in grado di simulare le risposte biologiche e cliniche di individui generici, rappresentativi di categorie di popolazione. Si tratta di strumenti che potenzialmente potrebbero essere usati per testare farmaci in silico, cioè con modelli computerizzati, prima della sperimentazione umana, o di prevedere la risposta a una terapia. 

Un’ulteriore possibilità sono i digital twin clinici, cioè versioni digitali di pazienti reali. “Il digital twin è una replica virtuale dinamica di un sistema — che può essere un processo fisico o anche un essere umano — costruita a partire dai parametri reali di una persona, come esami diagnostici, referti, elettrocardiogrammi, terapie, prescrizioni mediche. Tutto ciò confluisce in una sorta di ‘gemello digitale’, che consente di simulare determinati trattamenti”. Ma anche di prevedere il decorso di una malattia e personalizzare la terapia prima della somministrazione. 

“L’intervento umano ovviamente resta indispensabile: qualcuno deve valutare se le simulazioni hanno senso, anche in relazione alla disponibilità e alla qualità dei dati. L’interpretazione dei meccanismi d’azione rimane competenza del farmacologo, mentre la valutazione dell’impatto terapeutico spetta al medico”. Un tema, questo, che apre a una riflessione più ampia.

Un nuovo ruolo per chi lavora nel settore farmaceutico 

Cirino osserva che molte scoperte in farmacologia sono state spesso guidate dalla cosiddetta serendipity, cioè dalla casualità. “L’intelligenza artificiale, invece, elabora solo i dati disponibili e restituisce risposte a quesiti specifici. Non è progettata per cercare gli outlier, cioè dati anomali, quelli che invece la mente umana può notare e interpretare come segnali importanti. È meno incline a sbagliare strada, ma le scoperte a volte nascono anche dagli errori. In questa nuova fase però la serendipity non scompare, ma si sposta: dall’intuizione in laboratorio all’interpretazione dei dati. Un algoritmo non individua eventuali effetti inattesi di una molecola, perché non è progettato per farlo: esegue istruzioni, non interpreta. A quel punto chi analizza i dati – ad esempio il farmacologo – può riconoscere che il risultato ottenuto, pur non essendo quello cercato, potrebbe rivelarsi ancora più rilevante”. Secondo il docente, la scoperta nasce ancora nel momento in cui qualcuno sceglie di non trascurare un risultato inatteso. 

Il farmacologo per questo non diventa meno importante, né può essere sostituito: cambia il suo ruolo. Se prima si occupava soprattutto della sperimentazione diretta, oggi diventa sempre più colui che interpreta i dati. Deve valutare se i risultati suggeriti da modelli computazionali complessi abbiano senso biologico e clinico: “L’intelligenza artificiale sta trasformando la ricerca farmaceutica, rendendola sicuramente più veloce e più precisa. Tuttavia non può sostituire il metodo scientifico: il valore reale sta nell’integrazione tra dati, tecnologie e competenze umane, dalle quali non si può prescindere”. 

Chi ha accesso ai dati controlla le scoperte

“Un altro aspetto fondamentale, soprattutto in ambito farmaceutico, è la qualità dei dati e la loro validazione clinica – osserva Cirino –: senza questi elementi, l’intelligenza artificiale risulterà poco utile. Vale infatti il principio del “garbage in, garbage out”: se la qualità dei dati in ingresso è scadente, lo saranno anche i risultati in uscita”. Il recente rapporto AIFA pone domande fondamentali in questo senso: cosa succede se il dato di partenza non è corretto? se un algoritmo suggerisce un farmaco sbagliato? chi ne risponde? il medico, il programmatore, l’azienda farmaceutica? E conclude con la necessità di un nuovo quadro di “responsabilità condivisa”, che coinvolga tutti gli attori della filiera: dai ricercatori ai pazienti, passando per le istituzioni. 

“L’AI – continua il docente – produce risultati affidabili solo se i dati sono completi e rappresentativi; in caso contrario, c’è il rischio di sviluppare farmaci che non tengono conto di tutta la popolazione. È facile intuire dunque che chi ha accesso alle informazioni, in parte controlla anche le scoperte. La disponibilità, l’accessibilità e la quantità dei dati determinano la qualità della ricerca. E spesso le grandi banche dati sono nelle mani di aziende che conducono studi clinici sponsorizzati, e che quindi ne detengono la proprietà”.

Secondo Cirino, questo aspetto introduce un’ulteriore criticità: il rischio che la ricerca diventi meno equa e più concentrata nelle mani di pochi. “Chi ha accesso ai dati avanza più rapidamente; chi non li ha, rimane indietro”. L’AI organizza e analizza i dati disponibili: questo rende evidenti e quantificabili le aree più promettenti, e consente alle aziende di valutarne più facilmente il potenziale economico. “Il rischio dunque è che l’AI orienti la ricerca scientifica verso ambiti terapeutici più redditizi dal punto di vista economico”. Ma anche in questo caso vale un concetto già espresso: l’intelligenza artificiale è uno strumento, a decidere è sempre l’essere umano.