Mentre a Boston, dal 18 al 20 maggio 2026, il Bio-IT World Expo riuniva ricercatori e aziende farmaceutiche, sullo sfondo è arrivata una serie di rilasci che dicono molto su dove l'intelligenza artificiale sta davvero accorciando i tempi della scoperta dei farmaci: nuovi modelli «fondamentali» capaci di leggere il DNA, pubblicati a maggio come software aperto, e studi che mostrano come l'IA possa setacciare l'intero genoma alla ricerca di bersagli terapeutici. Lontano dagli annunci spettacolari, è qui che la rivoluzione si fa concreta.
Cosa si è visto al Bio-IT World di Boston
Il filo conduttore della fiera è stato il passaggio dell'IA da promessa a strumento quotidiano nei laboratori. Non più solo chatbot, ma sistemi che progettano molecole, prevedono come una proteina si ripiega, simulano l'effetto di un composto prima ancora di sintetizzarlo. La parola d'ordine è «tempo al bersaglio» (time-to-target): quanto in fretta si individua la proteina o il gene su cui agire per curare una malattia.
Secondo il Biotech AI Report 2026 di Benchling citato durante l'evento, circa la metà delle aziende biotech che già nel 2025 usavano l'IA ha registrato tempi più rapidi nell'individuazione dei bersagli. È un dato di efficienza, non di miracoli: l'IA non sostituisce gli esperimenti, ma riduce il numero di vicoli ciechi prima di arrivare in laboratorio.
I nuovi modelli «fondamentali» per il DNA
Tra i rilasci più interessanti di metà maggio c'è la famiglia di modelli Carbon, pubblicata su Hugging Face in versioni da 500 milioni, 3 e 8 miliardi di parametri, con licenza aperta Apache 2.0. Si tratta di modelli «fondamentali» per la genomica: invece di essere addestrati su testo umano, imparano il «linguaggio» del DNA, riconoscendo schemi nelle sequenze genetiche. Strumenti del genere possono aiutare a prevedere quali mutazioni sono dannose, a individuare regioni del genoma legate a una malattia o a progettare interventi più precisi.
La novità non è solo tecnica ma di metodo: rendere questi modelli liberamente scaricabili abbassa la barriera per laboratori universitari e piccole biotech, che possono sperimentare senza i costi delle grandi piattaforme proprietarie. È lo stesso effetto «open» che ha democratizzato i modelli linguistici, applicato alla biologia.
Dove l'IA accorcia davvero i tempi (e dove no)
Un esempio spesso citato è quello di Insilico Medicine, che ha utilizzato l'IA per individuare un nuovo bersaglio terapeutico per la fibrosi polmonare idiopatica e portare un candidato farmaco fino alla fase preclinica in circa 18 mesi e con costi molto inferiori alla media del settore. Sul fronte della ricerca di base, uno studio pubblicato su Science nel 2026 ha mostrato come tecniche di apprendimento contrastivo profondo permettano uno screening virtuale su scala genomica, ossia valutare al computer un numero enorme di possibili interazioni tra molecole e bersagli.
Resta però un punto fermo: l'IA accelera le fasi iniziali — identificazione del bersaglio, screening, progettazione — ma non i test clinici sull'uomo, che restano lunghi, costosi e regolati. Il collo di bottiglia di un farmaco non è solo trovarlo, ma dimostrare che è sicuro ed efficace. Su questo l'IA aiuta a selezionare meglio i candidati, riducendo i fallimenti, ma non comprime i tempi della clinica.
Numeri da maneggiare con prudenza
Il mercato dell'IA applicata alla scoperta di farmaci è stimato in crescita da circa 5-7 miliardi di dollari nel 2025 verso 8-10 miliardi nel 2026. Sono cifre che vanno lette con cautela: a fronte di risultati reali, il settore convive con annunci ottimistici e tempi di sviluppo che restano lunghi. La lezione di questo maggio è equilibrata: l'IA non «inventa» farmaci da sola, ma sta diventando un'infrastruttura di base della ricerca biomedica, sempre più aperta e accessibile. Per pazienti e sistemi sanitari il beneficio non sarà immediato, ma si misurerà negli anni in candidati migliori e in meno risorse sprecate sulle strade sbagliate.
