antibiotici e vaccini alla prova

Il punto operativo è la qualità della selezione. L’IA genera valore quando restringe uno spazio chimico enorme a poche molecole con una ragione biologica verificabile. Da qui passa la differenza tra suggestione tecnologica e sviluppo farmaceutico reale.

Il salto reale: generare molecole invece di cercarle soltanto

Per anni l’IA farmaceutica ha funzionato soprattutto come filtro intelligente: prendeva grandi archivi di molecole note, stimava attività e tossicità probabile, poi ordinava i candidati. La fase attuale cambia il punto di partenza. Il modello propone strutture che nessuna libreria contiene e lo fa rispettando vincoli chimici minimi, come valenza degli atomi, stabilità plausibile e proprietà fisico-chimiche da controllare prima della sintesi.

Il caso CoCoGraph chiarisce bene il passaggio. Il sistema sviluppato alla Universitat Rovira i Virgili genera molecole compatibili con le regole della chimica e parte anche da una sola formula, come quella del paracetamolo, per esplorare combinazioni atomiche possibili. L’ordine di grandezza dello spazio chimico, stimato fino a 1060 molecole potenziali, spiega perché la sola sperimentazione cieca non può bastare. Il suo limite attuale è altrettanto istruttivo: produce plausibilità chimica, non una funzione terapeutica su richiesta.

Questa distinzione è centrale. Una molecola plausibile può essere sintetizzabile, stabile sulla carta e compatibile con regole elementari. Diventa farmaco candidato solo quando mostra attività biologica, margine di sicurezza, comportamento farmacocinetico accettabile e una motivazione clinica solida. L’IA accelera l’ingresso nel tunnel di verifica, non cancella il tunnel.

Perché i batteri resistenti sono il banco di prova più severo

I batteri resistenti rappresentano il terreno più esigente per questa tecnologia. Le famiglie antibiotiche consolidate hanno già subito decenni di pressione selettiva; quando una popolazione batterica impara a espellere un farmaco, degradarlo o modificarne il bersaglio, le varianti troppo simili rischiano di perdere efficacia prima di arrivare al paziente.

Il carico sanitario spiega l’urgenza. Nel 2019 la resistenza batterica ha causato direttamente circa 1,27 milioni di morti nel mondo ed è stata associata a circa 4,95 milioni di decessi. Dentro questo quadro rientrano patogeni ad alta priorità come Neisseria gonorrhoeae resistente, Staphylococcus aureus multiresistente, Pseudomonas aeruginosa e altri batteri che mettono in crisi reparti ospedalieri, terapie oncologiche, chirurgia complessa e assistenza intensiva.

La ricerca di antibiotici nuovi deve quindi inseguire due obiettivi insieme. Serve una struttura diversa da quelle già note e serve un meccanismo d’azione capace di colpire punti meno esposti alla resistenza esistente. L’IA diventa rilevante quando consente di muoversi in zone dello spazio chimico dove l’occhio umano e le librerie commerciali arrivano tardi.

Il caso MIT: NG1, DN1 e il disegno de novo contro gonorrea resistente e MRSA

Il lavoro coordinato al MIT mostra una traiettoria concreta. Gli algoritmi generativi hanno costruito più di 36 milioni di possibili composti e li hanno filtrati per attività antimicrobica prevista, distanza dagli antibiotici esistenti, segnali di tossicità e compatibilità chimica. Il risultato rappresenta una lista ristretta di molecole da sintetizzare e stressare in laboratorio, lontana da una ricetta pronta.

Nel ramo dedicato a Neisseria gonorrhoeae, il candidato NG1 è emerso dopo una strategia basata su un frammento chimico con attività promettente. La parte più interessante riguarda il bersaglio: NG1 interagisce con LptA, proteina coinvolta nella sintesi della membrana esterna batterica. Per un Gram-negativo come il gonococco questa membrana è una barriera essenziale, perciò interferire con la sua costruzione significa colpire un punto strutturale della cellula.

Nel ramo dedicato a Staphylococcus aureus, gli algoritmi hanno generato composti senza vincoli di frammento e il candidato DN1 ha mostrato capacità di eliminare un’infezione cutanea da MRSA in modello murino. Anche qui il dato va letto con precisione: l’attività in piastra e nel topo non equivale a un antibiotico utilizzabile nell’uomo, però indica che il disegno generativo può produrre molecole con effetto biologico misurabile e profilo strutturale non sovrapponibile alle classi tradizionali.

Dai super batteri ai vaccini: lo stesso metodo cambia bersaglio

La progettazione vaccinale segue un’altra logica biologica e condivide lo stesso principio computazionale: usare grandi quantità di dati per proporre una struttura da mettere alla prova. Nel caso del vaccino sarbecovirus sviluppato dall’Università di Cambridge con DIOSynVax, l’IA ha contribuito a progettare un super-antigene basato sulle caratteristiche comuni di un gruppo di coronavirus che comprende SARS-CoV-2, SARS e virus di pipistrello correlati.

La prima sperimentazione umana ha coinvolto 39 volontari sani tra 18 e 50 anni e ha indicato sicurezza senza eventi avversi significativi. Il vaccino ha prodotto risposte immunitarie contro SARS-CoV-2, SARS e virus correlati. Il dato cambia la discussione perché porta in clinica un componente attivo progettato interamente mediante simulazioni al computer, con somministrazione come vaccino a DNA tramite sistema senza ago.

Il limite è chiaro e va tenuto nel titolo mentale del lettore: siamo davanti a una fase iniziale. La fase 2 dovrà verificare risposta immunitaria in popolazioni più ampie e diverse, oltre alla robustezza della protezione. L’innovazione sta nella direzione, cioè preparare vaccini contro famiglie virali prima che la variante specifica imponga un aggiornamento tardivo.

Ebola Bundibugyo: quando l’IA serve a restringere in fretta i candidati

Il focolaio di Ebola Bundibugyo in Africa centrale mostra l’altro volto della ricerca accelerata: davanti a un patogeno raro e aggressivo, l’obiettivo immediato consiste nello scegliere in modo più rapido quali candidati meritano test in ambienti di biocontenimento, lontano da qualsiasi annuncio di cura. L’Organizzazione mondiale della sanità ha inquadrato prodotti terapeutici e vaccinali per Bundibugyo dentro studi clinici, perché per questa malattia non esistono vaccini o terapie specificamente approvati.

La collaborazione tra Southwest Research Institute e Texas Biomed va letta in questa chiave. Il software di docking molecolare e strumenti basati su modelli linguistici hanno individuato oltre venti composti correlati con proprietà più stabili, poi hanno priorizzato 18 analoghi da sintetizzare e sottoporre a screening sul virus. Il dato importante non coincide con il numero in sé. Rileva soprattutto la riduzione del percorso: da una regione chimica ampia a un set operativo che può entrare in laboratorio BSL-4.

Il nostro aggiornamento su Ebola in Congo e tracciamento dei contatti spiega perché il tempo sia una variabile clinica. Qui l’IA non sostituisce isolamento, diagnosi, contact tracing e assistenza di supporto. Aggiunge una corsia di ricerca per selezionare prima i candidati da validare.

La progettazione per effetto cellulare sposta il baricentro

La scoperta di farmaci parte spesso da un bersaglio molecolare già definito: una proteina da bloccare o attivare. Molte malattie però non offrono un singolo bersaglio pulito. Per questo il lavoro dell’IRB Barcelona è rilevante: la molecola viene progettata in base all’effetto desiderato sulla cellula, per esempio colpire un profilo tumorale e risparmiare cellule di controllo.

Il gruppo ha costruito il proprio set sperimentale testando oltre 11.000 composti su otto modelli cellulari, con sei linee derivate da tumore pancreatico e due controlli. I dati di bioattività sono stati integrati in modelli predittivi e generativi, poi le molecole disegnate dall’IA sono state verificate sperimentalmente. Diverse hanno mostrato selettività coerente con l’effetto cercato e struttura distinta da composti noti.

Questa è una delle zone più promettenti della ricerca perché riduce la dipendenza da un bersaglio unico. In patologie complesse, dove pathway e mutazioni si sovrappongono, progettare per fenotipo può diventare più informativo di inseguire una sola proteina. Il punto di controllo resta sempre il medesimo: senza validazione biologica, la predizione resta un’ipotesi ordinata bene.

Dopo AlphaFold, la nuova frontiera è il movimento delle proteine

Il Nobel per la Chimica 2024 ha sancito il peso dell’IA nella biologia strutturale: David Baker per il design computazionale delle proteine, Demis Hassabis e John Jumper per la previsione della struttura proteica con AlphaFold. Quel riconoscimento ha fotografato una svolta già entrata nella pratica di molti laboratori. La domanda successiva riguarda il movimento.

Una proteina agisce come sistema mobile: cambia conformazione, sposta catene laterali, apre e chiude tasche di legame. L’EPFL ha sviluppato LD-FPG, un framework generativo capace di produrre insiemi strutturali completi a livello atomico e movimenti dinamici. Il caso del recettore dopaminergico D2, un GPCR molto studiato, mostra perché questo livello conti per il farmaco: una molecola candidata non deve legarsi a una fotografia, deve funzionare dentro una proteina che oscilla tra stati attivi e inattivi.

La conseguenza è pratica. Il virtual screening può diventare più credibile quando considera conformazioni diverse del bersaglio, riducendo errori su legami che sembrano buoni su una struttura statica e falliscono quando la proteina si muove. Anche in questo settore la condizione abilitante resta la qualità dei dati, perché modelli più grandi non compensano misure biologiche scadenti.

Il freno decisivo: sintesi, sicurezza e regolazione

La parte meno spettacolare del percorso è anche quella che decide il valore sanitario. Una molecola generata deve essere sintetizzabile con resa accettabile, stabile, caratterizzabile, non tossica nei modelli appropriati e compatibile con una via di somministrazione realistica. Deve poi attraversare farmacocinetica, dosaggio, studi preclinici, trial umani e confronto regolatorio.

Il rischio comunicativo nasce quando la parola scoperta viene confusa con disponibilità terapeutica. NG1 e DN1 sono candidati da ottimizzare, il vaccino sarbecovirus richiede sviluppo clinico ulteriore, i composti per Bundibugyo devono superare screening su virus vivo e qualsiasi passaggio successivo dipenderà da dati di sicurezza ed efficacia. Per questo la nostra lettura separa con nettezza il potenziale scientifico dal messaggio clinico per i pazienti.

La stessa logica vale per l’Italia. Nel nostro dossier IA e farmaci: costi -25% e tempi -40%, sfida Italia abbiamo ricostruito il nodo industriale e regolatorio. Questo aggiornamento guarda un tratto precedente della filiera: il momento in cui l’IA genera, seleziona e porta in laboratorio candidati più mirati.

Cosa cambia adesso per pazienti, centri e imprese

Per i pazienti cambia il perimetro delle aspettative. La notizia non autorizza richieste di farmaci sperimentali fuori dai protocolli, però aumenta la probabilità che nei prossimi anni arrivino in studio molecole con meccanismi più originali. Questo conta soprattutto nelle infezioni resistenti, dove l’opzione mancante può determinare esiti clinici pesanti.

Per i centri di ricerca il salto è organizzativo. Servono chimici computazionali, microbiologi, biologi strutturali, clinici, data manager e personale regolatorio capaci di lavorare sullo stesso tracciato. La molecola generata dall’algoritmo deve essere accompagnata da dati riproducibili, criteri di esclusione chiari e motivazione biologica leggibile anche davanti a un comitato etico.

Per le imprese il vantaggio competitivo non coincide con l’acquisto di un modello. Conta la capacità di trasformare output digitali in pipeline sperimentale: sintesi rapida, modelli animali appropriati, accordi con laboratori specializzati, protezione della proprietà intellettuale e strategia clinica coerente. L’IA accelera chi possiede già una filiera disciplinata; rende più evidente la fragilità di chi usa tecnologia senza infrastruttura.