Intelligenza artificiale e antibioticoresistenza

La nuova frontiera della scoperta di farmaci contro i patogeni multiresistenti

Indice

• Il fallimento del modello tradizionale
• Dai modelli predittivi uno sguardo a nuove metodiche
• Sorveglianza della resistenza e medicina di precisione

L’Organizzazione Mondiale della Sanità identifica l’antimicrobial resistance (AMR) come una delle principali emergenze sanitarie del XXI secolo, con un impatto trasversale sulla medicina ospedaliera, sulla chirurgia, sull’oncologia e sulla terapia intensiva.  L’antibioticoresistenza è il risultato di un processo evolutivo guidato dalla pressione selettiva esercitata dall’uso estensivo e spesso inappropriato degli antibiotici. I batteri sviluppano mutazioni genomiche, acquisiscono plasmidi contenenti geni di resistenza e attivano meccanismi molecolari come pompe di efflusso, inattivazione enzimatica del farmaco e modificazione del target terapeutico.

Dal punto di vista clinico, questo fenomeno si traduce nella diffusione di ceppi multiresistenti, tra cui Acinetobacter baumannii, Klebsiella pneumoniae, Pseudomonas aeruginosa e Staphylococcus aureus meticillino-resistente (MRSA), responsabili di infezioni a elevata mortalità. La criticità del problema non è solo microbiologica, ma sistemica. Interventi chirurgici maggiori, trapianti, chemioterapia e ventilazione invasiva dipendono dalla disponibilità di antibiotici efficaci. L’erosione di questo presidio terapeutico mette in discussione interi modelli di cura. 

Il fallimento del modello tradizionale

Per oltre tre decenni, la pipeline tradizionale di sviluppo di antibiotici ha mostrato una progressiva riduzione della produttività scientifica e industriale. Le ragioni sono molteplici, dagli elevati costi di ricerca e sviluppo, alla complessità chimico-biologica, ai lunghi tempi di validazione preclinica e clinica, fino ai limitati ritorni economici per l’industria farmaceutica. La conseguenza è stata una drastica riduzione delle nuove classi antibiotiche introdotte nella pratica clinica. In molti casi, la ricerca si è concentrata su modificazioni incrementali di scaffold molecolari esistenti, favorendo però la rapida comparsa di nuove resistenze.

È proprio in questa area di inefficienza strutturale che l’intelligenza artificiale sta producendo il maggiore impatto scientifico. L’applicazione dell’AI alla scoperta di antibiotici si fonda su modelli di machine learning, deep learning e, più recentemente, modelli generativi e Large Language Models applicati alla biochimica computazionale. Questi sistemi sono in grado di analizzare librerie composte da milioni di molecole, identificando pattern strutturali associati all’attività antibatterica, alla selettività biologica e al profilo tossicologico.

A differenza dei metodi tradizionali di high-throughput screening, questa tecnologia consente una selezione predittiva estremamente più rapida, riducendo il numero di candidati da validare sperimentalmente e comprimendo significativamente i tempi di sviluppo. I moderni modelli integrano dati chimici, genomici, proteomici e fenotipici, permettendo di individuare nuove classi molecolari anche in assenza di analogie con antibiotici noti. 

Dai modelli predittivi uno sguardo a nuove metodiche

Uno dei progressi più significativi riguarda la progettazione de novo di composti antimicrobici. Le architetture generative, incluse reti neurali grafiche, modelli diffusion-based e protein language models, non si limitano a selezionare molecole esistenti, ma sono in grado di proporre nuove strutture chimiche new-to-nature, ottimizzate per attività battericida, stabilità farmacocinetica e ridotta tossicità cellulare. Nel 2025, studi pubblicati su Nature Microbiology hanno dimostrato l’impiego di modelli generativi avanzati per la progettazione di peptidi antimicrobici attivi contro ceppi multidrug-resistant, attraverso screening computazionale su centinaia di milioni di sequenze proteiche. 

Questo rappresenta un passaggio cruciale, ossia dall’AI come strumento di supporto alla scoperta, all’AI come sistema di progettazione molecolare autonoma. L’aspetto che rende questo settore particolarmente autorevole è la presenza di risultati sperimentali già validati. Uno dei casi più noti è quello di Halicin, molecola identificata tramite deep learning e successivamente validata in vitro e in vivo per la sua potente attività contro patogeni resistenti. Diversi studi pubblicati su Nature hanno riportato la scoperta di nuove classi strutturali antibiotiche mediante explainable deep learning, con molecole efficaci contro A. baumannii e altri patogeni critici prioritari secondo WHO.  Questo dato è fondamentale, in quanto il valore dell’AI non è confinato alla simulazione teorica, ma si traduce in candidati farmacologici con concreta trasferibilità preclinica.

Sorveglianza della resistenza e medicina di precisione

Oltre alla drug discovery, l’AI sta ridefinendo la gestione clinica della resistenza antimicrobica. Modelli predittivi basati su machine learning vengono oggi utilizzati per stimare la probabilità di resistenza a specifici antibiotici in funzione di dati microbiologici locali, storia clinica del paziente, epidemiologia ospedaliera e profili genomici del patogeno. Questi strumenti supportano programmi di antimicrobial stewardship, consentendo una terapia empirica più mirata e riducendo l’uso inappropriato di antibiotici ad ampio spettro. 

Si tratta di un passaggio chiave verso la medicina antimicrobica di precisione. Nonostante il forte potenziale, persistono criticità rilevanti. La qualità dei dataset, la standardizzazione dei benchmark, il rischio di overfitting e la validazione biologica rimangono punti sensibili. Inoltre, la capacità predittiva in silico deve essere sempre integrata con sperimentazione wet-lab, farmacologia traslazionale e trial clinici. La vera frontiera scientifica sarà lo sviluppo di pipeline chiuse, in cui l’AI apprende iterativamente dai risultati sperimentali, migliorando progressivamente accuratezza e trasferibilità.