Tre mesi di lavoro in quattro ore: l'IA entra nella fabbrica dei farmaci
Il 27 ottobre 2026 Anthropic ha presentato i primi risultati ottenuti con Claude, il suo modello di intelligenza artificiale, da sei aziende farmaceutiche e biotecnologiche, insieme all'acquisizione di una piccola società che lavora sulla distrofia muscolare (1). L'IA ha progettato anticorpi e recettori per terapie cellulari, ha revisionato documenti di produzione e ha scritto bozze regolatorie. Nessuno di questi candidati è stato ancora somministrato a una persona: la stessa Anthropic definisce il lavoro iniziale e in gran parte preclinico (1).
In quali fasi dello sviluppo di un farmaco interviene l'IA?
L'IA interviene in quasi tutte le fasi, dalla scelta del bersaglio alla pianificazione dei trial, perché i colli di bottiglia sono distribuiti lungo l'intero processo, come scrive la stessa Anthropic (1).
| Partner e fase | Risultato dichiarato | Livello di evidenza |
|---|---|---|
| Generate Biomedicines, terapia CAR-T | Recettore circa 70% più corto, fino a 12 volte più espresso | Solo in vitro, nessun dato su animali |
| Divergence Labs, allergie alimentari | Circa 35.000 anticorpi progettati in un mese; 20 rimuovono le IgE | Scoperta precoce, test di laboratorio |
| BigHat Biosciences, ottimizzazione | Circa 1.010 varianti testate in 10 settimane; legame oltre 10 volte più forte | Laboratorio, report aziendale |
| Enveda, produzione e regolatorio | Revisione dei documenti di lotto ridotta dell'89% | Studio esplorativo su 4 registri |
| Bristol Myers Squibb, trial clinici | Valutazione dei piani di sperimentazione di un farmaco in fase precoce | Uso interno, nessun dato pubblicato |
| Mithril Medicine, distrofia muscolare | Dall'idea ai risultati nei topi in meno di 18 mesi | Preclinico su animali |
Come ha fatto Claude a migliorare una terapia CAR-T?
Sei ricercatori di Generate Biomedicines hanno usato Claude per riprogettare la parte interna del recettore che le cellule CAR-T usano per riconoscere il tumore. Il design migliore misura 45 aminoacidi contro i 154 del recettore usato in clinica. Le cellule lo hanno espresso da 8 a 12 volte più del riferimento, hanno ucciso le cellule di mieloma con maggiore efficienza e sono rimaste attive fino al tredicesimo giorno contro il quarto (2).
Il report elenca anche ciò che manca. Tutti gli esperimenti sono in vitro, alcuni su cellule di soli due donatori, e il meccanismo resta da chiarire. Gli autori scrivono inoltre che i modelli linguistici hanno previsto male quali design avrebbero funzionato, e che nessuno ha confrontato il metodo con un approccio tradizionale a parità di esperimenti (2). L'obiettivo dichiarato è portare la CAR-T sui tumori solidi; per ora la strada si ferma alla piastra di coltura.
Perché il risultato più concreto riguarda la documentazione?
Il risultato più vicino alla pratica viene da Enveda, dove i chimici dedicavano alla documentazione fino al 75% del tempo (1). Il sistema costruito su Claude ha letto 1.061 pagine di registri di lotto di una campagna di Fase 2, in gran parte scritti a mano, e ha segnalato tutti gli 11 problemi trovati dai revisori umani. In una delle esecuzioni ne ha aggiunti 7 che nessuno aveva visto. Con i commenti dell'IA già pronti la revisione ha richiesto 166 minuti invece di 1.553 (3). Secondo Anthropic, una bozza di documento regolatorio è passata da circa tre mesi di lavoro a quattro ore (1).
Anche qui contano i limiti, che gli autori dichiarano: quattro registri di una sola campagna, un solo valutatore, un errore di lettura a ogni esecuzione. Gli autori sono dipendenti dell'azienda, il sistema non è validato secondo le norme di buona fabbricazione (GMP) e funziona solo come strumento di consulenza. Enveda non ha nemmeno un accordo con il fornitore del modello per la cancellazione immediata dei dati (3).
Mithril Medicine: un farmaco sviluppato da una sola persona?
Mithril Medicine era un'azienda con un solo dipendente, il fondatore Cody Tranbarger, che lavorava su due forme rare di distrofia muscolare. Con Claude ha gestito contratti, logistica ed esperimenti in 11 laboratori esterni, e ha portato un candidato dall'idea a risultati promettenti nei topi in meno di 18 mesi. Anthropic ha acquisito la società e stima che, se i dati reggeranno, un farmaco potrebbe entrare nei trial sull'uomo dalla fine del 2028 (1).
Gli enzimi scoperti dagli agenti di IA nel DNA dei fagi
A settembre Anthropic aveva già annunciato che 949 agenti di Claude, in 21 ore, avevano individuato nel DNA dei batteriofagi una famiglia di trascrittasi inverse con ripetizioni simili a quelle di CRISPR, chiamata ART. Il preprint mostra che il sistema esiste e produce piccoli RNA, ma non ne chiarisce la funzione; rifacendo la ricerca dieci volte, gli agenti non hanno più ritrovato la scoperta (8). Il filo che lega i due casi è lo stesso: l'IA accorcia la fase esplorativa, la prova resta affidata al laboratorio e alla clinica.
Come si leggono questi risultati con occhio critico
Questi risultati si collocano nei primi gradini della scala delle evidenze: osservazioni di laboratorio e studi esplorativi, nessun esito clinico. Le fonti sono report tecnici firmati dalle aziende coinvolte, senza revisione paritaria, e Anthropic stessa scrive che alcuni progetti potrebbero portare a nuovi farmaci se le tendenze positive continueranno (1).
Le regole europee esistono già. Il documento di riflessione dell'Agenzia europea per i medicinali (EMA) sull'IA nel ciclo di vita del farmaco, adottato nel 2024, applica un approccio basato sul rischio per il paziente e sull'impatto regolatorio. Lo sponsor resta responsabile di modelli e dati, nei trial l'IA deve rispettare le norme di buona pratica clinica (ICH E6) e i modelli usati per analizzare i dati vanno congelati e documentati prima della chiusura del database (4).
Perché la governance dell'IA riguarda già i reparti di degenza?
La governance dell'IA riguarda i reparti perché la tecnologia che oggi revisiona i registri di produzione è la stessa che legge e sintetizza documenti clinici. Governare l'IA significa stabilire chi sceglie gli strumenti, con quali dati possono lavorare, chi controlla ciò che producono e chi risponde di un errore. Il caso Enveda indica già le domande da porsi davanti a qualsiasi sistema: se è validato per l'uso previsto, se una persona verifica ogni segnalazione e cosa succede ai dati inviati al fornitore (3).
Per un'azienda sanitaria queste scelte non possono restare al singolo professionista che prova un'applicazione sul proprio telefono. Servono regole scritte, un elenco degli strumenti autorizzati e il coinvolgimento del responsabile della protezione dei dati e della direzione delle professioni sanitarie. Gli infermieri, che producono buona parte della documentazione clinica, hanno titolo per sedere a quei tavoli.
Quale formazione sull'IA serve agli infermieri e chi deve garantirla
La formazione è già un obbligo per chi usa sistemi di IA. L'articolo 4 del regolamento europeo sull'intelligenza artificiale (AI Act) chiede a fornitori e utilizzatori, comprese le aziende sanitarie, di garantire al proprio personale un livello sufficiente di alfabetizzazione, calibrato su competenze ed esperienza delle persone e sul contesto d'uso (5). Secondo la Commissione europea l'obbligo si applica dal 2 febbraio 2025, non richiede un certificato e può essere documentato con un registro interno della formazione (6).
Il Codice deontologico porta la stessa indicazione sul piano professionale: l'infermiere si aggiorna costantemente (art. 10), si forma e chiede supervisione davanti ad attività nuove o poco conosciute (art. 11) e, quando introduce nuove tecnologie, tiene la persona assistita al centro del percorso di cura (art. 31) (7).
Tre indicazioni valgono già oggi:
- Chiedere alla propria azienda quali strumenti di IA sono autorizzati e con quali regole per i dati dei pazienti.
- Pretendere una formazione specifica prima di usare uno strumento in reparto, e farla registrare.
- Trattare ogni risultato dell'IA come una proposta da verificare: la responsabilità della documentazione e delle decisioni resta del professionista.
Bibliografia
- Anthropic. Early progress on accelerating drug development with Claude [Internet]. San Francisco: Anthropic; 27 ottobre 2026 [consultato il 30 ottobre 2026]. Disponibile su: https://www.anthropic.com/research/early-progress-drug-development
- Bai L, Kumar A, Desai H, Li J, de Alwis D, Hazuda D, et al. Refactored intracellular domains enhance CAR expression and function [report tecnico, Internet]. Somerville (MA): Generate Biomedicines; 2026 [consultato il 30 ottobre 2026]. Disponibile su: https://generatebiomedicines.com/publications/refactored-intracellular-domains-enhance-car-expression-and-function/
- Martin A, Schenck B, Wee DH, Colluru V. CDP: a language-model system for quality review of executed pharmaceutical batch records [report tecnico, Internet]. Enveda; 27 ottobre 2026 [consultato il 30 ottobre 2026]. Disponibile su: https://enveda.com/CMC-Document-Processor/
- European Medicines Agency. Reflection paper on the use of artificial intelligence (AI) in the medicinal product lifecycle. EMA/CHMP/CVMP/83833/2023 [Internet]. Amsterdam: EMA; 2024 [consultato il 30 ottobre 2026]. Disponibile su: https://www.ema.europa.eu/en/documents/scientific-guideline/reflection-paper-use-artificial-intelligence-ai-medicinal-product-lifecycle_en.pdf
- Regolamento (UE) 2024/1689 del Parlamento europeo e del Consiglio, del 13 giugno 2024, che stabilisce regole armonizzate sull'intelligenza artificiale (regolamento sull'intelligenza artificiale), art. 4 [Internet]. Gazzetta ufficiale dell'Unione europea, L 2024/1689 [consultato il 30 ottobre 2026]. Disponibile su: https://eur-lex.europa.eu/eli/reg/2024/1689/oj/ita
- European Commission. AI literacy: questions and answers [Internet]. Bruxelles: Commissione europea; 2025 [consultato il 30 ottobre 2026]. Disponibile su: https://digital-strategy.ec.europa.eu/en/faqs/ai-literacy-questions-answers
- Federazione Nazionale Ordini Professioni Infermieristiche. Codice deontologico delle professioni infermieristiche [Internet]. Roma: FNOPI; 2025 [consultato il 30 ottobre 2026]. Disponibile su: https://www.fnopi.it/wp-content/uploads/2025/03/FNOPI_CodiceDeontol2025_web-2.pdf
- Yoon PH, Athukoralage JS, Ameisen E, Kauderer-Abrams E, Perry NT, Durrant MG. Autonomous AI agents discover reverse transcriptases with tandem repeat arrays [preprint, Internet]. San Francisco: Anthropic; 2026 [consultato il 30 ottobre 2026]. Disponibile su: https://www-cdn.anthropic.com/22573675ada52a8ca8a97a1a4b4326b2f208a071.pdf
Linguaggio del testo revisionato con IA