Abbiamo passato mesi a costruire un'IA che prevede i materiali prima di sintetizzarli — ecco perché il laboratorio del futuro non partirà da un becher

C'è un momento a cui continuo a tornare. Era tardo giovedì sera, e stavo fissando un foglio di calcolo che qualcuno mi aveva inviato — un registro di ogni composto che un team farmaceutico di medie dimensioni aveva fisicamente sintetizzato e testato nei diciotto mesi precedenti. Migliaia di righe. Costi dei reagenti, ore di sintesi, risultati di caratterizzazione. E accanto a ogni riga, una colonna intitolata "Esito". La stragrande maggioranza diceva la stessa cosa: Fallito.

Non "risultato negativo interessante". Non "vicolo cieco informativo". Solo: fallito. Il composto non si è legato. Il materiale non era stabile. La reazione non ha reso. Migliaia di esperimenti, milioni di dollari, e il team era essenzialmente tornato al punto di partenza — solo che ora sapevano cosa non funzionava. Il che è qualcosa, suppongo, se lo si mette per iscritto. La maggior parte dei team non lo fa nemmeno.

Quel foglio di calcolo ha cristallizzato qualcosa attorno a cui giravo da tempo in Veriprajna. Il modo in cui la maggior parte dei laboratori di R&S scopre nuovi materiali e molecole è fondamentalmente rotto — non perché gli scienziati non siano brillanti, ma perché il metodo stesso ha raggiunto un muro che nessuna quantità di genialità può scalare. Lo spazio di ricerca per le molecole simili a farmaci è stimato tra 10⁶⁰ e 10¹⁰⁰. Il numero di atomi nell'universo osservabile è di circa 10⁸⁰. Stiamo chiedendo agli esseri umani di trovare aghi in pagliai che sono letteralmente più grandi del cosmo, e consegnando loro delle pinzette.

Ti racconterò perché abbiamo costruito ciò che abbiamo costruito, cosa abbiamo sbagliato lungo il percorso, e perché credo che l'era della scienza a tentativi ed errori — quello che viene spesso chiamato l'"approccio edisoniano" — stia finendo. Non gradualmente. Bruscamente.

Perché il metodo Edison è ancora l'impostazione predefinita nella R&S?

Thomas Edison testò migliaia di filamenti di carbonio prima di trovarne uno che brillasse abbastanza a lungo da essere utile. Quella storia viene raccontata come una parabola sulla perseveranza. Ciò che viene tralasciato è che persino Nikola Tesla, contemporaneo di Edison, fece notare che "un po' di teoria e calcolo" avrebbe potuto risparmiare il 90% della fatica. Edison stesso finì per adottare metodi più strutturati. Ma la sua eredità — il tentativo ed errore a forza bruta — divenne in qualche modo la metodologia fondante della moderna ricerca farmaceutica e sui materiali.

Lo screening ad alto rendimento, o HTS, avrebbe dovuto industrializzare tutto questo. Automatizzare il tirare a indovinare. Testare un milione di composti invece di mille. E per un po' ha funzionato — o almeno, sembrava funzionare. Ma i tassi di successo continuavano a calare. I falsi positivi continuavano a salire. I composti che "funzionavano" nello screening si rivelavano tossici, insolubili o impossibili da produrre su larga scala. Una campagna HTS standard potrebbe testare 10⁶ composti. Anche se la scalassi a un miliardo — 10⁹ — avresti esplorato circa lo 0,000000000000000000000000000000000000000000000000001% dello spazio chimico disponibile.

Il metodo Edison nella chimica moderna è come cercare di mappare l'Oceano Pacifico immergendo un cucchiaino nell'acqua a intervalli casuali.

Le conseguenze finanziarie sono brutali. Il costo di sviluppo di un nuovo farmaco ha raggiunto circa 2,23 miliardi di dollari per asset nel 2024. Il tasso interno di rendimento della R&S farmaceutica è crollato all'1,2% nel 2022 prima di risalire al 5,9% nel 2024 — e quella ripresa è stata in gran parte trainata da una singola classe di farmaci (gli agonisti del GLP-1), non da un qualsiasi miglioramento sistemico nel funzionamento della scoperta. Questo declino ha persino un nome: la legge di Eroom. La legge di Moore scritta al contrario. Ogni decennio, la scoperta di farmaci diventa più lenta e più costosa.

Ricordo una conversazione con uno scienziato dei materiali — qualcuno che rispetto profondamente — che mi disse, senza mezzi termini: "Sappiamo che stiamo sprecando la maggior parte del nostro budget. Ma non sappiamo quali esperimenti saltare." Quella frase mi ha perseguitato. Perché la risposta onesta è: puoi saperlo. Ti serve solo un diverso tipo di strumento. Non una pipetta migliore. Una mappa migliore.

La notte in cui la simulazione fu in disaccordo con il laboratorio

Quando il mio team iniziò a costruire modelli informati dalla fisica per la previsione dei materiali, facemmo un'esperienza umiliante. Avevamo addestrato un modello a prevedere la stabilità di una classe di composti inorganici. Il modello segnalò una particolare composizione come termodinamicamente instabile — in sostanza, disse "non preoccuparti di sintetizzarla". Ma la letteratura suggeriva il contrario. Un articolo pubblicato affermava che questa composizione fosse promettente.

Ne discutemmo per due giorni. Metà del team voleva fidarsi del modello. L'altra metà diceva che stavamo essendo arroganti — chi eravamo noi per scavalcare risultati sperimentali pubblicati? Alla fine approfondimmo l'articolo e scoprimmo che il risultato "promettente" si basava su una fase metastabile che si degradava nel giro di ore in condizioni operative reali. Il modello aveva avuto ragione. Anche l'articolo aveva tecnicamente ragione — il materiale esisteva — ma era inutile per qualsiasi applicazione pratica.

Quello fu il momento in cui compresi la differenza tra il Machine Learning Informato dalla Fisica e il tipo di IA che domina i titoli dei giornali. La maggior parte dell'IA sul mercato in questo momento — quella costruita sopra i grandi modelli linguistici — apprende dalle correlazioni nei dati. È corrispondenza di schemi su larga scala. Ed è straordinaria per molti compiti. Ma le molecole non sono frasi. Sono grafi tridimensionali con vincoli geometrici, orbitali elettronici, chiralità e confini termodinamici a cui non importa quali schemi GPT-4 abbia visto nel suo corpus di addestramento.

Il ML Informato dalla Fisica incorpora le leggi effettive della fisica — conservazione della massa, equazioni termodinamiche, vincoli quantomeccanici — direttamente nell'architettura del modello. Invece di aver bisogno di milioni di punti dati per apprendere che l'energia si conserva, il modello lo sa fin dall'inizio. Questo comporta tre cose che contano enormemente nella pratica:

Necessita di molti meno dati di addestramento. Può estrapolare oltre la sua distribuzione di addestramento senza generare risultati fisicamente impossibili. E non allucina molecole che violano la chimica di base.

Ho scritto di questa distinzione in modo molto più approfondito nella versione interattiva della nostra ricerca, ma l'intuizione centrale è semplice: se la tua IA può proporre una molecola che viola la conservazione della massa, non sta facendo scienza. Sta facendo completamento automatico.

Cosa succede quando chiudi il ciclo?

Ecco dove le cose si fanno interessanti — e dove abbiamo speso la maggior parte del nostro sforzo ingegneristico. Prevedere i materiali in modo computazionale è il primo passo. Ma la previsione da sola è ancora un ciclo aperto. Simuli, ottieni un risultato, un umano lo interpreta, un altro umano progetta l'esperimento successivo, qualcuno prenota il tempo sul sintetizzatore, e settimane dopo hai un solo punto dati. Il collo di bottiglia non è l'IA. È l'umano nel mezzo.

La vera trasformazione avviene quando chiudi il ciclo: l'IA prevede, un robot sintetizza, i sensori caratterizzano il risultato, i dati tornano nel modello, e l'IA seleziona l'esperimento successivo. Nessun umano nel mezzo. Progetta-Realizza-Testa-Analizza, in esecuzione continua.

L'A-Lab del Lawrence Berkeley National Laboratory lo ha dimostrato su larga scala. Il loro sistema autonomo ha sintetizzato 41 nuovi composti inorganici in 17 giorni — un rendimento che richiederebbe mesi ai ricercatori umani. Quando una sintesi falliva, l'IA analizzava lo schema di diffrazione a raggi X, regolava i rapporti dei precursori e i profili di riscaldamento, e riprovava. Un tasso di successo del 71% per materiali nuovi, raggiunto da un sistema che corregge i propri errori in tempo reale.

Ma il motore matematico che sta sotto tutto questo — la parte che fa funzionare l'intera cosa — è qualcosa chiamato Apprendimento Attivo con Ottimizzazione Bayesiana. E vale la pena comprenderlo, perché è la ragione per cui i laboratori a ciclo chiuso non sono solo più veloci dei laboratori guidati dall'uomo, ma fondamentalmente più efficienti.

Perché l'ottimizzazione bayesiana batte lo screening casuale?

Lo screening tradizionale è casuale. Scegli i composti da una libreria, li testi, e speri. L'Ottimizzazione Bayesiana fa qualcosa di radicalmente diverso: costruisce un modello probabilistico dell'intero spazio di ricerca, incluso ciò che non sa, e poi seleziona strategicamente l'esperimento che le insegnerà di più.

Il modello prevede due cose per ogni punto non testato: un valore atteso (quanto potrebbe essere buono questo materiale) e un'incertezza (quanto è sicuro il modello di quella previsione). Poi una funzione di acquisizione — pensala come la strategia decisionale dell'IA — bilancia l'esplorazione (indagare regioni incerte) contro lo sfruttamento (affinare aree che sembrano promettenti).

È qui che diventa elegante. Il potenziale di machine learning ANI-1x ha raggiunto un'accuratezza di livello DFT — cioè la Teoria del Funzionale della Densità, il punto di riferimento assoluto della chimica computazionale — utilizzando solo il 10% dei dati che un campionamento casuale ingenuo richiederebbe. E l'Ottimizzazione Bayesiana Informata dai Costi può ridurre i costi dei reagenti fino al 90% tenendo conto del prezzo di ogni esperimento quando si decide cosa testare in seguito. Se due esperimenti offrono informazioni simili, ma uno costa 5.000 dollari in reagenti e l'altro costa 50 dollari, il sistema sceglie quello economico.

L'Apprendimento Attivo non si limita a trovare risposte più velocemente. Pone domande migliori.

Una cosa che sorprende costantemente le persone: in questo quadro, gli esperimenti falliti sono alcuni dei dati più preziosi che puoi generare. Nel modello edisoniano, un risultato negativo viene sepolto in un taccuino di laboratorio. Nell'Apprendimento Attivo, ogni fallimento affina la comprensione del modello su dove si trovano i confini. Mappa i vicoli ciechi della chimica — in modo permanente — così che l'organizzazione non sprechi mai più risorse su quei percorsi. Quella conoscenza topologica del paesaggio dei fallimenti è proprietà intellettuale che si accumula nel tempo.

Il problema del "basta usare GPT"

Devo affrontare una cosa direttamente, perché la sento in continuazione. Investitori, potenziali clienti, persino alcuni scienziati dicono: "Perché non usare semplicemente GPT-4 per questo? Conosce la chimica."

Non è così. Non nel modo che conta.

I grandi modelli linguistici rappresentano le molecole come stringhe di testo — tipicamente la notazione SMILES, che è una codifica lineare di una struttura tridimensionale. È come descrivere un edificio leggendone l'indirizzo ad alta voce e aspettarsi che qualcuno ne capisca la pianta. Gli LLM sono "sensibili alle permutazioni" (l'ordine dei caratteri conta), mentre le molecole sono invarianti alle permutazioni (l'ordine in cui elenchi gli atomi è irrilevante). I benchmark mostrano costantemente che le Reti Neurali a Grafo, che modellano le molecole come veri e propri grafi 3D con nodi e archi, superano gli LLM nei compiti di previsione delle proprietà che coinvolgono la struttura geometrica.

L'architettura corretta — quella che sosteniamo e costruiamo — è ibrida. Gli LLM sono orchestratori brillanti. Possono analizzare la letteratura scientifica, estrarre ricette di sintesi, generare protocolli sperimentali e ragionare sulla strategia di alto livello. Ma per il lavoro pesante della progettazione molecolare, dell'analisi di stabilità e della previsione delle proprietà, servono Reti Neurali a Grafo vincolate dalla fisica. L'LLM è il project manager. La GNN è l'ingegnere. Servono entrambi, e devi sapere di quale fidarti per quale compito.

Molte delle attuali offerte di IA nella scienza sono wrapper attorno ad API pubbliche di LLM. Un wrapper non può imporre la conservazione della massa. Non può navigare in uno spazio di ricerca di 10¹⁰⁰ con rigore bayesiano. Non può integrarsi con l'hardware robotico che chiude il ciclo.

Per l'analisi tecnica completa di queste decisioni architetturali — incluso come l'ottimizzazione multi-fedeltà fonde dati di simulazione economici con costosi risultati sperimentali — vedi il nostro documento di ricerca dettagliato.

L'impianto idraulico di cui nessuno parla

C'è un segreto sporco nella ricerca sui laboratori autonomi: l'IA è spesso la parte facile. La parte difficile è far parlare lo spettrometro con il dosatore di liquidi con la piastra riscaldante con l'IA. Gli strumenti di laboratorio di diversi produttori parlano linguaggi proprietari diversi. Senza uno strato di traduzione universale, il tuo laboratorio a guida autonoma è un cervello in un barattolo.

Ecco perché lo standard SiLA 2 — Standardization in Lab Automation — conta così tanto, e perché abbiamo speso una quantità di tempo poco affascinante ma cruciale sul middleware. SiLA 2 tratta ogni strumento come un microservizio. L'IA invia un comando di alto livello ("Eroga 5ml") senza aver bisogno di conoscere il protocollo della porta seriale del braccio robotico specifico. Funziona su moderni protocolli web, supporta la connettività cloud e — cosa cruciale — può avvolgere strumenti legacy. Un HPLC di vent'anni può diventare parte di un ciclo autonomo.

Prima che qualsiasi robot fisico si muova, simuliamo l'intero esperimento in un Gemello Digitale — una replica virtuale del laboratorio che convalida tempistiche, percorsi di collisione e logistica. Quando l'esperimento reale viene eseguito, confrontiamo i dati dei sensori con le previsioni del gemello per individuare anomalie: una pipetta intasata, un sensore di temperatura alla deriva. Il gemello è la rete di sicurezza che rende l'autonomia affidabile.

Sarò onesto: questa è la parte del lavoro su cui nessuno scrive comunicati stampa entusiastici. Ma è la parte che determina se un laboratorio a ciclo chiuso davvero funziona in produzione o funziona solo in una demo.

I numeri che mi hanno fatto cambiare idea

Sono arrivato a questo lavoro come scettico dell'hype. L'IA nella scoperta di farmaci è stata "a cinque anni di distanza" per vent'anni. Ciò che mi ha fatto cambiare idea non è stata la teoria. Sono stati risultati specifici.

Exscientia ha portato piccole molecole progettate dall'IA nelle sperimentazioni cliniche di Fase I in circa 12 mesi, contro una media del settore di 4-5 anni. Insilico Medicine ha fatto passare un candidato contro la fibrosi dalla scoperta del bersaglio al candidato preclinico in meno di 18 mesi, a una frazione del costo tipico. I 41 composti dell'A-Lab in 17 giorni. I modelli predittivi di tossicità del Broad Institute che filtrano i composti pericolosi prima della sintesi, risparmiando milioni in costi di fallimento a valle.

Queste non sono proiezioni. Sono risultati. E condividono un'architettura comune: simulazione prima della sintesi, modelli informati dalla fisica, cicli di feedback chiusi e cattura sistematica dei dati negativi.

Le persone a volte mi chiedono se questo elimini del tutto la necessità dei laboratori sperimentali. Non è così. Il laboratorio sperimentale è ancora il luogo dove vive la verità — dove le previsioni del modello incontrano la realtà. Ciò che cambia è il rapporto. Invece di eseguire diecimila esperimenti per trovare un successo, ne esegui cinquanta. Il laboratorio sperimentale diventa uno strumento di validazione, non un motore di ricerca.

Altri si preoccupano della sostituzione dei posti di lavoro — questo sostituirà gli scienziati? Nella mia esperienza, accade il contrario. Gli scienziati con cui ho lavorato che adottano questi strumenti non diventano meno importanti. Diventano più strategici. Dedicano il loro tempo ai problemi che richiedono giudizio umano — interpretare risultati inaspettati, progettare nuovi paradigmi sperimentali, porre domande che l'IA non è stata addestrata a porre — invece di dosare a pipetta l'intera libreria di composti che già sospettano non funzioneranno.

L'arte è diventata ingegneria

Penso spesso a quel foglio di calcolo. Tutte quelle righe con "Fallito". Ognuna rappresentava l'ipotesi di qualcuno, il pomeriggio di qualcuno, il budget di qualcuno. Nel modello edisoniano, quei fallimenti erano il costo del fare impresa — inevitabili, previsti e in gran parte invisibili nel rendiconto finale.

Nel modello che stiamo costruendo, ognuno di quei fallimenti sarebbe stato previsto. Non tutti — non sto rivendicando l'onniscienza. Ma abbastanza da rendere il foglio di calcolo una frazione della sua lunghezza, e la colonna "Esito" sembrerebbe molto diversa.

Lo spazio di ricerca per nuove molecole e materiali è incomprensibilmente vasto. Nessuna quantità di intuizione umana, nessuna flotta di dosatori di liquidi, nessuna campagna HTS da miliardi di dollari può esplorarlo in modo significativo solo attraverso la sperimentazione fisica. La matematica semplicemente non lo consente. Ciò che la matematica consente davvero è la navigazione intelligente — usare modelli vincolati dalla fisica per simulare prima di sintetizzare, l'ottimizzazione bayesiana per porre le domande giuste nell'ordine giusto, e l'automazione robotica per chiudere il ciclo tra previsione e realtà.

L'era edisoniana ha prodotto cose straordinarie. Ma era una metodologia nata da un'epoca in cui la teoria non riusciva a tenere il passo con l'esperimento. Non viviamo più in quell'epoca. La teoria è qui. La potenza di calcolo è qui. La robotica è qui. L'unica cosa che resta è la volontà istituzionale di smettere di trattare la R&S come un'arte praticata da individui dotati e iniziare a trattarla come una disciplina ingegneristica alimentata da sistemi deterministici.

Non tirare a indovinare e verificare. Simula e seleziona.

Non è uno slogan. È un imperativo economico. Ogni materiale testato fisicamente che avrebbe potuto essere escluso in modo computazionale è denaro dato alle fiamme. E le organizzazioni che lo capiranno per prime non si limiteranno a muoversi più velocemente — renderanno il vecchio modo di lavorare economicamente insostenibile per tutti gli altri.