L'AI accelera la scoperta di farmaci ma svela colli di bottiglia di laboratorio

Un articolo sponsorizzato avverte: l’AI individua nuovi target terapeutici più in fretta, ma il laboratorio non tiene il passo. La velocità espone colli di bottiglia fisici e impone dati migliori per chiudere il “data loop” tra previsione e verifica sperimentale¹.

Il pezzo inquadra il problema con i numeri. Dalla metà del Novecento, il costo per sviluppare un farmaco è raddoppiato circa ogni nove anni: è la cosiddetta Eroom’s Law. Oggi servono in media 10-15 anni per arrivare al mercato. Il conto varia da 1 a 2,5 miliardi di dollari. I fallimenti superano il 90%¹. In questo contesto, ogni fase inefficiente moltiplica tempi e spese.

L’industria punta sull’AI per aumentare i tassi di successo e comprimere le tempistiche. Il ragionamento è lineare: identificare, testare e ottimizzare nuove molecole più in fretta riduce il rischio di fallimenti costosi nelle fasi successive dello sviluppo¹. Ma questa accelerazione mette in luce il punto debole successivo. Le attività fisiche in laboratorio non scalano allo stesso ritmo degli algoritmi. Senza un flusso di dati di qualità che ritorni ai modelli, il vantaggio iniziale si erode¹.

La pressione competitiva cresce. La scoperta di farmaci resta un’attività ad alto costo e alto rischio, con un mercato sempre più segnato dal vantaggio del first mover. Chi arriva per primo beneficia di un margine decisivo; chi ritarda vede aumentare rischi e costi in un settore già teso su tempi lunghi e capitali elevati¹.

Il nodo, per l’articolo, è chiudere il “data loop”. L’AI può proporre candidati e ipotesi con rapidità. Il laboratorio deve tradurre queste ipotesi in esperimenti, generare evidenze e riportarle ai sistemi che le hanno suggerite. Se manca questo ritorno informativo, si formano imbuti: le code si spostano dagli schermi ai banchi, e l’innovazione rallenta proprio dove dovrebbe accelerare¹.

Paul Belcher, direttore della protein research strategy in Cytiva, riassume la posta in gioco nelle fasi avanzate: “Il costo principale nella scoperta di farmaci è ancora la fase clinica, quindi cercare di ridurre il rischio e aumentare i tassi di successo lì è ovviamente enormemente vantaggioso”¹. È qui che dati migliori contano di più: ridurre l’incertezza prima che inizi la clinica può attenuare l’impatto dei fallimenti quando i costi esplodono¹.

L’articolo è sponsorizzato e realizzato in partnership con Cytiva, azienda globale delle scienze della vita citata nel testo¹. La forma editoriale segnala l’interesse diretto dell’industria: oltre l’entusiasmo per l’AI, la questione centrale riguarda processi, misurazioni e tempi in laboratorio, e come trasformare risultati sperimentali in informazioni utili per i modelli¹.

Se il mercato premia chi muove per primo, la priorità diventa chiudere il “data loop” prima degli altri. Non basta generare più predizioni: serve far tornare i dati dal banco agli algoritmi, finché il collo di bottiglia non si sposta più avanti. E lì, di nuovo, intervenire¹.