L’APPLICAZIONE DELL’INTELLIGENZA ARTIFICIALE NELLA SCOPERTA E NELLO SVILUPPO DEI FARMACI: NUOVE METODOLOGIE PER L’INNOVAZIONE TERAPEUTICA

Lo sviluppo di nuovi farmaci è un processo lungo, costoso e caratterizzato da elevati tassi di fallimento, che ne possono limitare o ritardare l'introduzione sul mercato. In questo contesto l'intelligenza artificiale rappresenta uno strumento potenzialmente utile per aumentare l'efficienza del processo, riducendo tempi, costi e rischi lungo l'intero ciclo di vita del farmaco. I recenti progressi nel Machine Learning e nel Deep Learning mostrano un potenziale rilevante nell'affrontare alcune delle principali sfide dello sviluppo farmacologico. Le Convolutional Neural Networks (CNN) consentono di analizzare dati biologici complessi e di identificare potenziali nuovi bersagli terapeutici, con particolare impatto nelle fasi iniziali della scoperta. Il Deep Learning ha favorito la predizione della struttura tridimensionale delle proteine, come dimostrato da strumenti quali AlphaFold, contribuendo alla progettazione razionale di nuovi farmaci. I modelli generativi trovano applicazione nel de novo drug design, mentre i modelli QSAR permettono di predire più rapidamente l'attività biologica e le proprietà ADMET dei composti. Le tecniche di virtual screening, infine, analizzano ampie librerie di composti mediante fingerprint molecolari, offrendo un'alternativa in silico allo screening sperimentale ad alta resa (HTS). Nell'ambito della farmacocinetica e della farmacodinamica, i Digital Twins consentono di simulare interventi terapeutici prima della somministrazione, favorendo la personalizzazione del dosaggio, la previsione della variabilità interindividuale e l'ottimizzazione dei trial clinici. L'uso combinato di Machine Learning e big data può migliorare la stratificazione dei pazienti in sottogruppi omogenei, supportando terapie personalizzate e una previsione del rischio basata sul profilo individuale. I biomarcatori digitali raccolti tramite sensori wearable consentono inoltre una valutazione non invasiva e un monitoraggio continuo in tempo reale. L'analisi dei Real World Data permette di generare Real World Evidence, utile per valutare efficacia, sicurezza e impatto economico delle cure nel lungo periodo in popolazioni reali ed eterogenee, con un ruolo crescente nei processi regolatori e nelle valutazioni post-marketing. L'intelligenza artificiale applicata alla farmacovigilanza consente inoltre di identificare, analizzare e prioritizzare le sospette reazioni avverse in modo più rapido ed efficiente. Tali applicazioni trovano concreta realizzazione nelle aziende biotech AI-native, nella scoperta di molecole guidata dall'intelligenza artificiale e negli approcci di drug repurposing basati su network medicine e graph neural networks. Le agenzie regolatorie, tra cui FDA ed EMA, stanno adottando un approccio proattivo e basato sul rischio, volto a definire principi condivisi per l'uso dell'intelligenza artificiale nel ciclo di vita dei medicinali. Restano tuttavia sfide tecniche, metodologiche ed etiche rilevanti, tra cui l'effetto black box, l'assenza di standard di validazione condivisi, la necessità di dati rappresentativi e di alta qualità, oltre ai problemi di bias, privacy, equità di accesso e responsabilità in caso di errore algoritmico. Nonostante tali criticità, le prospettive future indicano l'intelligenza artificiale come strumento sempre più centrale nella scoperta, nello sviluppo e nella produzione dei farmaci. L'integrazione tra intelligenza artificiale generativa, automazione dei laboratori e analisi avanzata dei dati potrà favorire una medicina più personalizzata e di precisione, ridefinendo anche il ruolo del farmacista, chiamato a interpretare gli output algoritmici e a integrarli nella farmacovigilanza, nella gestione terapeutica e nel counseling del paziente.