AlphaFold e drug discovery: come l'AI sta riscrivendo la farmacologia (e dove sbaglia)

Quando DeepMind ha pubblicato AlphaFold 2 nel 2021, gran parte dei farmacologi pensava fosse marketing accademico. Cinque anni dopo, AlphaFold 3 è usato in ogni grande pharma. Ma "scoprire un farmaco con l'AI" ha un significato ancora ambiguo. Vediamo cosa è davvero successo.

Cosa fa davvero AlphaFold 3

AlphaFold 3 (DeepMind, maggio 2024) predice:

• Struttura 3D di proteine (come AF2)
• Struttura di complessi proteina-proteina (era debole in AF2)
• Struttura di proteina-ligando (la novità) → accelera lead optimization
• Struttura di proteina-DNA e proteina-RNA (apre genomica drug targeting)

Significato pratico: una pharma può predire IN SILICO se una piccola molecola si lega a una proteina target, con accuratezza al 50-70% di un esperimento di cristallografia (che richiede 6-12 mesi e €100K+).

I player chiave 2026

Isomorphic Labs (DeepMind spin-off)

• Funding: $500M+ (lead Alphabet)
• Partnership: Novartis, Eli Lilly
• Stato: 2 candidati in pre-clinical, 1 in IND filing 2027

Recursion Pharmaceuticals (USA, quotata $RXRX)

• Approccio: piattaforma phenomic + AI generativa
• Pipeline: 10+ candidati in clinical trial
• Market cap: ~$1,8 mld (giugno 2026)

Insilico Medicine (Hong Kong)

• Approccio: GAN per molecule generation + LLM per target identification
• Successo: 1 candidato (INS018_055) in Phase II per fibrosi polmonare. Scoperto in 18 mesi (vs 4-6 anni standard).

Atomwise (USA, primo nel campo)

• Storia: pionieri 2015 con AtomNet
• Stato 2026: pipeline da 22 partner farmaceutici. Sospeso IPO 2024.

Cosa funziona davvero

1. Lead identification per target noti.

Hai una proteina mappata. Vuoi trovare una molecola che la lega. AI fa screening su 10^9 molecole virtuali e seleziona 100 candidati promettenti. Speed-up 100-1000x vs HTS classico.

2. Lead optimization.

Hai un hit. Vuoi modificarlo per migliorare potency/solubility/toxicity. AI propone analoghi con score predetti.

3. Druggability assessment.

Domanda: "questa proteina è druggable?" Modelli predittivi 2025-26 lo dicono con 70% accuracy. Risparmia 12-24 mesi.

Cosa NON funziona ancora

1. De novo discovery.

Trovare un farmaco SENZA target preciso (es. "fammi un farmaco per Alzheimer") — i sistemi AI generano molecole, ma quasi tutte falliscono in vitro. Servono ancora chemisti veri.

2. Predire la tossicità.

AI dice cosa SI LEGA. Ma cosa farà nell'intero organismo (off-target, metabolismo, eccrezione) è ancora un dominio dove l'AI sbaglia il 60% del tempo.

3. Trial clinici.

Nessun candidato AI-discovered ha ancora completato Phase III con successo (il primo, Insilico INS018_055, è atteso 2027).

I 4 modelli foundation per la drug discovery

Opportunità per startup italiane

1. Tool per AI-experimental loop

Le pharma hanno bisogno di chiudere il loop "AI predice → laboratorio testa → AI re-train". Software MLOps per chimica = mercato sotto-servito.

2. RAG su letteratura farmaceutica

30K paper/anno solo in oncologia. Un assistente AI verticale per ricercatori farmaceutici italiani è prodotto vendibile (clienti: Nerviano Medical Sciences, Italfarmaco, IRBM, Dompé).

3. Drug repurposing

Usare AI per trovare nuovi indications a farmaci esistenti. Più veloce e meno costoso che de novo. Mercato cresce 25% YoY.

Le 3 cose da ricordare

1. AI accelera la drug discovery, non la rivoluziona. Le pharma fanno 30-40% più test in vitro all'anno con lo stesso budget. Questo è il vero impatto.

1. I trial clinici sono ancora il collo di bottiglia. 8-12 anni from-target-to-market non scenderà sotto i 5-7 anni anche con AI perfetta.

1. L'Italia ha CRO eccellenti (IRBM, Chiesi R&D, Menarini, Nerviano). Connetterli con startup AI italiane è un business diretto da costruire.

Il vero numero

Il mercato AI drug discovery vale $4 mld nel 2026, forecast $25 mld nel 2030 (BCG Insights, gennaio 2026). Una crescita del 45% YoY composito. Se sei nel deep tech biotech in Italia, questo è il treno da prendere.