Fino a qualche anno fa era frequente imbattersi in dichiarazioni roboanti circa l’avvento di nuovi farmaci, efficaci e sicuri, provenienti da una prima generazione di startup. Queste avrebbero trionfato dove le aziende farmaceutiche hanno sempre fallito: accorciare i tempi e tagliare la media di due miliardi di dollari necessari per lo sviluppo di ogni farmaco. Molte aziende come Sanofi o Bristol Myers Squibb hanno stretto accordi per miliardi di dollari con Insitro BenevolentAI, Exscientia e Insilico, solo per citarne alcune, nella speranza di fare un salto di scala nella produttività.
Dal 2010 a oggi, spiega il Financial Times in una lunga inchiesta sul tema, i farmaci scoperti dall’intelligenza artificiale in fase avanzata di sperimentazione clinica sono pochissimi e nessuno è ancora stato approvato. Insomma, dello slancio emotivo e finanziario iniziale è rimasto solo l’amaro in bocca, oltre a un sostanziale deprezzamento delle azioni. Quelle di BenevolentAI fino al novantanove per cento, prima della fusione con una società giapponese che ne ha prodotto il delisting.
«Per affermare di avere una gallina dalle uova d’oro, bisogna assicurarsi di aver deposto qualche uovo d’oro», ha detto Alex Zhavoronkov, amministratore delegato di Insilico. Un’affermazione banale in prima battuta, ma aiuta a spiegare le dinamiche che hanno portato all’insuccesso della prima generazione di startup impegnate nella scoperta di nuovi farmaci attraverso l’intelligenza artificiale. Il grattacapo fondamentale è la complessità stessa della biologia umana, la nostra fisiologia nasconde più segreti di quanto pensiamo. Una tecnologia come l’Ai, dove i bit incontrano altri bit, deve, in questo contesto, essere applicata agli atomi. È una sfida non scontata. Se a questo aggiungiamo che i dirigenti provengono da realtà legate alla farmaceutica più che al mondo informatico e che queste società, sotto la pressione economica dettata dal bisogno di ottenere risultati immediati, hanno spesso riciclato idee vecchie, il discorso si fa più chiaro.
Secondo le elaborazioni di PitchBook, alcuni fattori come l’invecchiamento della popolazione e i costi sanitari correlati, hanno spinto molti venture capitalist avversi al rischio delle grandi aziende farmaceutiche a investire quote nell’ordine di trenta milioni nel 2013 e 1,8 miliardi di dollari nel 2021. Di lì a poco la bolla che si era formata sarebbe scoppiata con i primi fallimenti.
In linea generale, quando si fa ricerca su una malattia, si cercano dei bersagli molecolari chiave ai quali abbinare dei composti chimici in grado di modificarli, così da ottenere un risultato positivo in termini di cura. La fretta delle prime startup le ha portate a compiere una ricerca pratica che non ha riformulato la base teorica dello stato dell’arte: scegliere bersagli molecolari già noti per poi andare alla ricerca di composti nuovi, nella speranza che fossero più efficaci. Si tratta dei cosiddetti farmaci “me too” o “me better”. Al contrario delle aspettative questi si sono rivelati non migliorativi rispetto alle opzioni già presenti.
Kenneth Mulvany, fondatore di BentivolAi nel 2013, offre un ulteriore tassello. Al Financial Times spiega che i dati pubblici su cui lavorava la sua startup erano insufficienti, mentre quelli offerti dalle aziende farmaceutiche erano sì frutto di anni di sperimentazioni ma sparpagliati in tanti database, tali da richiedere un’enorme mole di lavoro per raffinarli e sottoporli agli algoritmi.
Mentre Miles Congreve, direttore scientifico di Isomorphic Labs, lo spin-off di progettazione di farmaci dell’unità di intelligenza artificiale di Google, DeepMind, pone l’accento su un problema di metodo: «Era piuttosto difficile impressionare davvero le persone perché le startup hanno risolto un problema con la loro piattaforma di intelligenza artificiale, ma questa non è generalizzabile agli altri, al problema successivo», spiegando come agli albori si procedesse costruendo un modello di apprendimento automatico per ogni quesito.
È questo il filone di ricerca su cui stanno operando le aziende di seconda generazione: programmare un motore generalizzabile, che, di converso, richiede molta potenza di calcolo. Si tratta di una prospettiva inarrivabile per tutte le piccole startup che non dispongono né di quelle facoltà e neppure dei fondi per raggiungerle. D’altronde l’Ai non è la prima invenzione quotata dall’industria farmaceutica per scardinare i segreti della biologia; storicamente abbiamo avuto la biologia strutturale negli anni Cinquanta e Sessanta, la cristallografia a raggi X per comprendere le proteine in 3D, la chimica computazionale e la scoperta del genoma umano nei primi anni Duemila.
Nuove aspettative sull’opportunità che l’Ai possa davvero scoprire farmaci innovativi vengono oggi dal motore di previsione del ripiegamento proteico AlphaFold2, vincitore del premio Nobel nel 2021 e dal boom dell’intelligenza artificiale generativa nel 2022, quale ChatGpt, poiché ha reso possibile un incremento in efficacia e sicurezza di composti già noti. Occorre specificare che la chiave rimane sempre la mole e qualità di dati con cui si lavora. Più questa aumenta più ci si avvicina al traguardo.
In quest’ottica, il consorzio britannico Pen Bind, formato da aziende e università, sta costruendo la più grande raccolta dati al mondo, circa l’interazione di farmaci e proteine. Eppure, la strada è ancora lunga. Max Jaderberg, Chief AI Officer di Isomorphic ritiene che, per creare un vero motore di scoperta di farmaci generalizzabile, siano necessarie una mezza dozzina di scoperte di livello AlphaFold. L’azienda diretta dal ricercatore inglese può però contare sulla collaborazione con la casa farmaceutica svizzera Novartis e una situazione finanziaria più serena, garantita dall’essere parte di Alphabet, la società proprietaria di Google. Solo quest’anno ha raccolto ben seicento milioni di dollari.
Un risultato impensabile per le startup di prima generazione, meritorie di aver aperto la strada all’intelligenza artificiale in ambito farmaceutico, ma carenti di fondi e potenza di calcolo.
