Perché la scoperta di farmaci brucia ancora miliardi a tentoni

Il problema

Nikola Tesla disse una volta che "un poco di teoria e di calcolo" avrebbe risparmiato a Thomas Edison il 90% del suo lavoro. Più di un secolo dopo, le industrie farmaceutica e della scienza dei materiali seguono ancora il manuale di Edison — sintetizzare e testare fisicamente biblioteche immense di composti sperando di imbattersi per caso in un vincente. I numeri rivelano esattamente quanto questo approccio sia venuto meno.

Lo spazio delle molecole simili a farmaci è stimato tra 10^60 e 10^100. La migliore campagna di screening ad alto rendimento testa circa un milione di composti. Significa che state coprendo lo 0,000000000000000000000000000000000000000000000000001% delle opzioni disponibili. Il whitepaper lo dice senza giri di parole: è come voler mappare l'Oceano Pacifico intingendo un cucchiaino nell'acqua a intervalli casuali. Se state testando nuovi materiali in laboratorio bagnato senza prima simularli, state dando fuoco ai soldi.

Non è una curiosità tecnologica. È una crisi strutturale dell'economia della R&S. Il metodo «edisoniano» — prova ed errore alla forza bruta — sostituisce il lavoro all'intelligenza. Questo compromisso peggiora esponenzialmente al crescere della complessità dei bersagli. La frutta matura delle piccole molecole semplici è già stata colta. Ciò che resta richiede un approccio fondamentalmente diverso: prima simulare, poi sintetizzare solo i candidati a più alta probabilità.

Perché conta per la tua azienda

Il danno finanziario è già visibile nei bilanci del tuo settore. Ecco i numeri che dovrebbero preoccupare il board:

• 2,23 miliardi di dollari per ogni nuovo farmaco — è il costo medio per sviluppare un singolo asset farmaceutico al 2024. Questa cifra assorbe il costo di migliaia di fallimenti per ogni successo.
• 1,2% di tasso interno di rendimento — la R&S farmaceutica ha toccato un minimo di dodici anni nel 2022 prima di riprendersi al 5,9% nel 2024. Quella ripresa è stata trainata in gran parte da outlier come gli agonisti GLP-1, non da un miglioramento sistemico.
• ~90% di tasso di fallimento — la stragrande maggioranza dei candidati in R&S non arriva mai sul mercato. Ogni dollaro speso per testare fisicamente un composto che una simulazione avrebbe eliminato è un dollaro sottratto a un candidato praticabile.
• L'AI informata sui costi può tagliare i costi dei reagenti fino al 90% — gli algoritmi che considerano il prezzo degli esperimenti insieme al loro valore informativo hanno dimostrato risparmi drammatici.

Questo calo di produttività della R&S ha un nome: legge di Eroom — la legge di Moore scritta al contrario. Ogni generazione di farmaci è più difficile e costosa da scoprire. I tuoi concorrenti affrontano lo stesso muro, ma chi passa prima alla scoperta basata sulla simulazione supererà quel muro anni prima di te.

Per il conto economico, l'implicazione è diretta. Lo screening ad alto rendimento pesa sugli OpEx: consumabili, reagenti, tempo del personale e ore di attrezzatura. Ogni esperimento evitato grazie a previsioni migliori finisce dritto in bottom line. Nel frattempo, gli orologi dei brevetti continuano a correre. Ogni giorno risparmiato in R&S è un giorno in più di esclusiva di mercato. Piccole molecole progettate con l'AI di aziende come Exscientia sono arrivate alle sperimentazioni di fase I in circa 12 mesi, contro una media di settore di quattro o cinque anni.

Cosa succede davvero sotto il cofano

L'insidia fondamentale è che la scoperta tradizionale fa screening dei composti invece di progettarli. Lo screening presume che la risposta esista già dentro una libreria preconfezionata. Ma quando si passa a biologic complessi, leghe multielemento e materiali nanostrutturati, la probabilità che la soluzione ottimale stia in una qualunque libreria fisicamente gestibile scende quasi a zero.

Pensala così. Hai un lucchetto a combinazione di 100 cifre. Lo screening tradizionale prova combinazioni casuali una alla volta. Un approccio simulazione-prima studia la meccanica del lucchetto, restringe le possibilità a una manciata e poi gira la ghiera.

Il mercato è sommerso di modelli AI black-box che imparano solo correlazioni dai dati. Questi modelli crollano in domini nuovi perché i dati sperimentali sono scarsi, rumorosi e costosi da raccogliere. Il machine learning standard funziona bene entro i suoi dati di addestramento ma fallisce quando gli si chiede di prevedere proprietà di classi di materiali completamente nuove. Peggio: gli strumenti di AI generativa costruiti su grandi modelli linguistici possono «allucinare» — generando descrizioni di molecole che sembrano plausibili ma violano la chimica di base. Potrebbero proporre una struttura che infrange le regole di valenza o ignora la conservazione della massa. Le molecole sono grafi tridimensionali di atomi e legami, non stringhe di testo. Trattarle come frasi produce output fisicamente impossibili.

L'alternativa è il Machine Learning Informato dalla Fisica (Physics-Informed Machine Learning, o PIML) — modelli che incorporano le stesse leggi della fisica (conservazione dell'energia, termodinamica, meccanica quantistica) direttamente nell'architettura dell'AI. Questi modelli richiedono molti meno dati di addestramento perché le regole della chimica sono integrate. Estrapolano meglio verso territori sconosciuti. E non possono proporre molecole che violino vincoli fisici fondamentali. Un sistema, chiamato FlowER, traccia esplicitamente come gli elettroni si ridistribuiscono durante le reazioni chimiche, garantendo che massa e carica restino sempre conservate. Nessun modello linguistico standard sa farlo.

Cosa funziona (e cosa no)

Tre approcci che sembrano promettenti ma restano corti:

• Librerie di screening più grandi: scalare da un milione a un miliardo di composti copre comunque una frazione infinitesima dello spazio chimico. Non puoi sfondare con la forza bruta attraverso 10^60 possibilità.
• Wrapper AI generici su modelli linguistici pubblici: questi strumenti aiutano con la revisione della letteratura e la stesura dei protocolli, ma sono privi dei vincoli fisici specifici del dominio richiesti dal progetto molecolare. Un wrapper non può imporre la conservazione della massa in una reazione chimica.
• «Fail fast» senza simulazione: fallire in laboratorio bagnato costa caro — reagenti, tempo di sintesi e attrezzatura bruciano capitale. Il fallimento fisico rapido resta lento e costoso rispetto a un fallimento virtuale che richiede millisecondi di calcolo.

Ciò che funziona davvero è un'architettura ad anello chiuso in tre passaggi:

1. Prevedere e selezionare (input): un motore di Optimizzazione Bayesiana — un quadro matematico che bilancia l'esplorazione di territori chimici sconosciuti con il raffinamento di aree promettenti note — identifica l'esperimento di maggior valore da eseguire dopo. Non tira a indovinare. Calcola dove sta il maggiore guadagno informativo rispetto al costo. Le versioni multi-fidelità di questo algoritmo fondono simulazioni informatiche economiche con risultati di laboratorio costosi, innescando esperimenti fisici solo quando la confidenza della simulazione è troppo bassa.

2. Automatizzare e sintetizzare (processing): le piattaforme robotiche ricevono istruzioni dall'AI, sintetizzano il materiale previsto ed eseguono i test di caratterizzazione — spettroscopia, diffrazione a raggi X, microscopia — senza intervento umano. L'A-Lab del Lawrence Berkeley National Laboratory ha usato questo approccio per sintetizzare 41 composti inorganici inediti in 17 giorni. Quando una sintesi falliva, l'AI analizzava i risultati, aggiustava la ricetta e ritentava in autonomia.

3. Imparare e aggiornare (output): ogni risultato — successo o fallimento — rientra nel modello. È qui che i dati negativi diventano oro. Gli esperimenti falliti affinano la comprensione dell'AI di ciò che non funziona, mappando in via definitiva le vie senza uscita della chimica. La tua organizzazione non spreca più mai risorse su quei percorsi. Questa conoscenza accumulata dei paesaggi del fallimento è proprietà intellettuale durevole.

Per i tuoi team di compliance e audit, questo anello crea ciò che manca alla R&S tradizionale: un registro completo e tracciabile di ogni previsione, di ogni ragionamento decisionale e di ogni esito sperimentale. L'AI non si limita a dire «prova questo composto». Ti mostra perché ha scelto quel composto su ogni alternativa, cosa si aspettava di imparare e come il risultato ha modificato il suo modello. Quel sentiero decisionale è verificabile, riproducibile e difendibile.

Il tuo gemello digitale — una replica virtuale del tuo laboratorio fisico — aggiunge un ulteriore livello di protezione. Prima che qualsiasi robot si muova, l'esperimento gira in simulazione. Così si intercettano errori di protocollo, conflitti di tempistiche e collisioni tra apparecchiature prima che distruggano campioni o strumenti. Il confronto in tempo reale tra le previsioni del gemello e i dati reali dei sensori segnala anomalie come pipette intasate o temperature alla deriva prima che rovinino un lotto.

Il caso economico è lineare. Le apparecchiature autonome girano 24/7 con uptime vicino al 100%, contro il 30–40% tipico dei laboratori con personale umano. Insilico Medicine ha portato un candidato antifibrosi scoperto con l'AI dalla scoperta del target alla fase preclinica in meno di 18 mesi e a una frazione del costo abituale. Non sono proiezioni. Sono risultati già conseguiti in ambienti di produzione.