Il problema delle proteine
Per oltre cinquant’anni prevedere la forma tridimensionale di una proteina partendo dalla sua sequenza di amminoacidi è stato uno dei grandi problemi della biologia. La struttura di una proteina determina infatti gran parte della sua funzione, ma ricostruirla sperimentalmente può richiedere mesi o anni di lavoro.
Nel 2020 AlphaFold2, sviluppato da Google DeepMind sotto la guida di Demis Hassabis e John Jumper, cambiò radicalmente la situazione. Il sistema dimostrò che l’intelligenza artificiale poteva prevedere con grande accuratezza la struttura di moltissime proteine. Negli anni successivi l’AlphaFold Protein Structure Database è arrivato a contenere previsioni per oltre 200 milioni di strutture, una scala incomparabile rispetto alle circa 200.000 determinate sperimentalmente fino ad allora. Nel 2024 Hassabis e Jumper hanno ricevuto metà del Nobel per la Chimica proprio per la previsione delle strutture proteiche.
Capire una proteina non significa ancora creare un farmaco
Il successo di AlphaFold ha però aperto immediatamente una seconda domanda. Se l’AI può comprendere sempre meglio la forma delle proteine, può anche progettare molecole capaci di interagire con esse e diventare nuovi farmaci?
È su questo passaggio che nasce Isomorphic Labs, fondata nel 2021 all’interno di Alphabet e guidata dallo stesso Demis Hassabis. L’obiettivo non è semplicemente applicare AlphaFold all’industria farmaceutica, ma costruire sistemi di AI capaci di modellare le interazioni tra proteine, piccole molecole e altri elementi biologici.
Nel febbraio 2026 la società ha presentato IsoDDE, il proprio Drug Design Engine. Secondo i dati pubblicati dall’azienda, il sistema supera AlphaFold 3 in alcuni test di previsione delle interazioni tra proteine e ligandi e può stimare l’affinità con cui una molecola si lega a un bersaglio biologico. Sono capacità importanti perché nella scoperta di un farmaco non basta sapere come appare una proteina: bisogna trovare una molecola che la modifichi nel modo desiderato.
Dalla simulazione alla farmacia
L’interesse dell’industria è già significativo. Nel 2024 Isomorphic Labs ha stretto accordi con Eli Lilly e Novartis dal valore potenziale complessivo vicino ai 3 miliardi di dollari. La collaborazione con Novartis è stata ampliata nel 2025 e nel gennaio 2026 si è aggiunta Johnson & Johnson, con programmi dedicati sia a piccole molecole sia a farmaci biologici.
A maggio 2026 la società ha inoltre raccolto 2,1 miliardi di dollari in un nuovo round guidato da Thrive Capital, con la partecipazione di Alphabet, GV, Temasek e altri investitori. Il capitale servirà a sviluppare ulteriormente IsoDDE e soprattutto a portare i programmi terapeutici verso la fase clinica.
Ed è proprio qui che si trova il vero test. Un modello può identificare una molecola promettente in pochi giorni, ma un farmaco deve ancora dimostrare di essere efficace, sicuro, producibile e realmente utile negli esseri umani.
Il collo di bottiglia si sposta
AlphaFold ha mostrato che un problema scientifico considerato difficilissimo poteva essere ridotto drasticamente grazie all’intelligenza artificiale. Questo non significa che la scoperta dei farmaci possa diventare completamente digitale.
La biologia resta estremamente complessa. Una molecola può funzionare perfettamente in una simulazione e fallire in laboratorio, negli animali o durante una sperimentazione clinica. Tossicità, metabolismo, effetti collaterali e differenze tra pazienti non possono essere ridotti alla sola forma di una proteina.
Il possibile cambiamento riguarda invece il punto in cui si concentra il lavoro. Se l’AI riesce a eliminare rapidamente migliaia di candidati improbabili e a proporre molecole più promettenti, il collo di bottiglia può spostarsi dalla ricerca iniziale alla validazione sperimentale.
Dal Nobel alla prova clinica
Il Nobel del 2024 ha riconosciuto un risultato scientifico già evidente: AlphaFold ha trasformato il modo in cui osserviamo il mondo delle proteine. Isomorphic Labs rappresenta ora un esperimento ancora più ambizioso, trasformare quella capacità di comprendere la biologia in una capacità di intervenire su di essa.
La differenza è sostanziale. Prevedere correttamente una struttura può essere verificato confrontando modelli e dati sperimentali. Progettare una terapia significa invece entrare nel corpo umano, dove ogni previsione deve confrontarsi con sistemi biologici molto più complessi.
Se i primi farmaci progettati con questi sistemi arriveranno realmente ai pazienti, AlphaFold potrebbe essere ricordato non soltanto come una delle grandi applicazioni scientifiche dell’AI, ma come il punto in cui la biologia computazionale ha iniziato a trasformarsi in medicina.
Lascia un commento