parla cinese e pensa in algoritmi

A Hong Kong, in un edificio che ospita insieme server, robot da laboratorio e biologi in camice, si sta consumando una delle trasformazioni più silenziose e più concrete dell’era dell’intelligenza artificiale. Non riguarda chatbot, immagini generate o assistenti virtuali. Riguarda il modo in cui nasce un farmaco, il tempo che serve per trasformare un’intuizione chimica in una molecola capace di salvare una vita, e la promessa, finora quasi sempre disattesa nella storia della farmaceutica, di riuscirci più in fretta.

Il protagonista di questa storia è Alex Zhavoronkov, fondatore e amministratore delegato di Insilico Medicine, società biotecnologica quotata alla Borsa di Hong Kong. Secondo quanto raccontato dallo stesso Zhavoronkov, il tempo medio necessario per individuare un candidato farmaco, quello che per decenni ha oscillato attorno ai quattro anni e mezzo, si è ridotto nella sua azienda a circa un anno. In alcuni casi, appena nove mesi.

Per capire cosa significhi davvero questo numero, bisogna fare un passo indietro e raccontare come funziona, da sempre, la ricerca di un nuovo medicinale.

Il tempo perduto della farmaceutica tradizionale

Sviluppare un farmaco è, storicamente, un esercizio di pazienza quasi disumana. I ricercatori devono setacciare milioni di molecole candidate per individuare quelle poche che abbiano una reale possibilità di funzionare su un bersaglio biologico. È un lavoro che richiede esperimenti su esperimenti, sintesi chimiche, test in vitro, aggiustamenti continui. Il tasso di fallimento è altissimo: la stragrande maggioranza delle molecole promettenti si rivela inutile o tossica molto prima di arrivare a un essere umano.

Questa fase, chiamata discovery, è da sempre il collo di bottiglia dell’intera industria farmaceutica. Non è un caso che si stimino tempi complessivi, dalla scoperta iniziale all’approvazione finale, che possono superare il decennio, con investimenti che si misurano in centinaia di milioni di euro per ogni singola molecola che arriva sul mercato.

È esattamente in questo collo di bottiglia che l’intelligenza artificiale ha trovato il proprio spazio.

Come cambia il lavoro dentro un laboratorio guidato dai dati

Il modello sviluppato da Insilico Medicine combina reti neurali generative, automazione robotica di laboratorio e un flusso continuo di dati biologici, genetici e chimici. Invece di sintetizzare fisicamente milioni di molecole per scoprire quali funzionano, i sistemi di intelligenza artificiale progettano virtualmente le strutture chimiche più promettenti, le testano in simulazione, e restringono il campo a poche decine di candidati reali da portare in laboratorio.

È un cambiamento di paradigma che non elimina il lavoro degli scienziati, ma ne trasforma profondamente il ruolo. I ricercatori si spostano dalla ricerca manuale, molecola per molecola, alla supervisione di sistemi che lavorano ininterrottamente, senza stanchezza e senza pause, elaborando correlazioni che sfuggirebbero all’occhio umano.

Zhavoronkov si spinge oltre, e prevede che una parte consistente delle attività oggi svolte da personale altamente specializzato, fino al 40% secondo le sue stime, potrebbe essere progressivamente automatizzata. Non si tratta della sparizione di ricercatori, biologi e farmacologi, ma di una loro riconversione verso compiti di supervisione e validazione, mentre gli aspetti più ripetitivi del lavoro passano ai sistemi automatizzati.

Un farmaco per respirare meglio, nato da un algoritmo

Tra i progetti più avanzati nati da questo approccio c’è Rentosertib, un trattamento sperimentale contro la fibrosi polmonare idiopatica, una malattia progressiva e attualmente incurabile che porta alla cicatrizzazione del tessuto polmonare, rendendo sempre più difficile respirare. È una delle patologie più difficili da trattare in ambito respiratorio, perché agisce lentamente, in modo spesso silenzioso, fino a compromettere in modo grave la funzionalità polmonare dei pazienti.

Rentosertib è oggi arrivato agli studi clinici di fase intermedia, un passaggio che nella farmaceutica tradizionale rappresenta già di per sé un traguardo significativo, ma che in questo caso arriva dopo un percorso di sviluppo iniziale straordinariamente più breve rispetto agli standard del settore. È la dimostrazione più concreta che l’accelerazione portata dall’intelligenza artificiale non è un esercizio teorico, ma si traduce in molecole reali che arrivano davvero, e più in fretta, ai pazienti che ne hanno bisogno.

I numeri di una scommessa che comincia a dare frutti

In sei anni, Insilico Medicine ha generato 31 candidati farmaci, un numero che nella farmaceutica tradizionale richiederebbe risorse e tempi molto più ampi. L’azienda ha stretto collaborazioni con colossi del settore come Eli Lilly e Takeda, e a marzo ha ampliato la partnership con Eli Lilly attraverso un accordo che potrebbe raggiungere i 2,75 miliardi di dollari, uno dei più rilevanti mai siglati nel campo della scoperta di farmaci basata sull’intelligenza artificiale.

Sono cifre che segnalano qualcosa di più di un esperimento tecnologico riuscito: indicano che l’industria farmaceutica globale, quella con la maggiore avversione al rischio tra tutti i settori industriali, ha iniziato a scommettere concretamente su questo approccio.

Non è un fenomeno isolato. Anche Bristol Myers Squibb ha annunciato l’acquisto di un nuovo sistema di supercalcolo Nvidia per potenziare la propria ricerca farmaceutica, e il responsabile della ricerca dell’azienda, Robert Plenge, ha dichiarato che l’intelligenza artificiale ha già permesso di ridurre tra il 20 e il 30% i tempi di sviluppo, con la prospettiva di arrivare fino al 50% nei prossimi anni.

La Cina cambia ruolo, da fabbrica di generici a laboratorio di innovazione

C’è un secondo livello di lettura in questa storia, ed è quello geografico. Per decenni la Cina è stata percepita, soprattutto dall’Occidente, come il grande produttore mondiale di farmaci generici: un Paese capace di fabbricare su scala industriale, ma non necessariamente di innovare. Il caso di Insilico Medicine racconta un capitolo diverso, quello di un Paese che punta a diventare protagonista della scoperta scientifica, non solo della sua produzione.

Secondo Zhavoronkov, il vantaggio competitivo cinese nasce dalla combinazione di alcuni fattori specifici: infrastrutture di ricerca avanzate, costi operativi più contenuti rispetto ai mercati occidentali, un ampio bacino di ricercatori altamente qualificati, e soprattutto una rete di laboratori automatizzati capace di trasformare rapidamente le simulazioni generate dall’intelligenza artificiale in esperimenti fisici reali. È questa capacità di chiudere il cerchio, dalla simulazione digitale alla provetta, a rendere il modello cinese particolarmente competitivo.

Cosa resta da fare, e perché la strada è ancora lunga

Sarebbe però un errore raccontare questa storia come se l’intelligenza artificiale avesse già risolto il problema della lentezza farmaceutica. L’accelerazione riguarda soprattutto la fase iniziale della scoperta, quella in cui si individua la molecola candidata. Tutto ciò che viene dopo, i test preclinici, le sperimentazioni sull’uomo suddivise in più fasi, le verifiche di sicurezza, l’autorizzazione delle autorità regolatorie, resta un processo lungo, costoso e per sua natura non comprimibile oltre un certo limite, perché la sicurezza dei pazienti non può essere negoziata in nome della velocità.

L’intelligenza artificiale, in altre parole, non salta le tappe. Le rende più efficienti a monte, restringendo il campo delle possibilità prima ancora che inizi la sperimentazione reale, e lasciando agli scienziati il compito di verificare, con tutto il rigore che la medicina richiede, che le promesse dell’algoritmo reggano il confronto con la realtà biologica.

Perché questa storia riguarda tutti noi

Il motivo per cui questa vicenda merita attenzione, ben oltre gli addetti ai lavori, è semplice: ogni mese risparmiato nella scoperta di un farmaco è un mese di attesa in meno per un paziente che oggi non ha cura. Nel caso della fibrosi polmonare idiopatica, come in molte altre malattie rare o degenerative, il tempo non è mai solo una variabile economica. È la differenza tra arrivare in tempo per qualcuno e arrivare troppo tardi.

Se le promesse di questa nuova generazione di laboratori guidati dai dati saranno confermate nei prossimi anni dai risultati clinici, la trasformazione più profonda portata dall’intelligenza artificiale non arriverà dai chatbot con cui conversiamo ogni giorno, ma da luoghi molto meno visibili: laboratori dove algoritmi e biologi lavorano fianco a fianco, in Cina come altrove, per restituire agli esseri umani qualcosa di prezioso quanto il tempo stesso: la possibilità di guarire prima.