IA farmaci e vaccini non è più solo una promessa da laboratorio. A Torino, durante un incontro collegato allo Scientific Advisory Board del Segretario Generale ONU, il tema è diventato politico: l’intelligenza artificiale può accelerare la ricerca biomedica, ma chi controlla i dati controlla anche una parte crescente della scienza.
IA farmaci e vaccini: perché il controllo dei dati conta
L’IA può leggere enormi quantità di dati biologici e proporre molecole, enzimi o candidati vaccinali in tempi molto più rapidi rispetto ai metodi tradizionali. Il problema è che questi modelli dipendono dai dati usati per addestrarli: se i dati sono incompleti, sbilanciati o chiusi in poche mani, anche la ricerca rischia di diventare meno trasparente e meno equa.
Lo Scientific Advisory Board delle Nazioni Unite è nato nel 2023 proprio per aiutare la leadership ONU a valutare benefici e rischi delle nuove tecnologie. Nel caso della biologia computazionale, la posta è alta: non si tratta solo di analizzare la vita, ma di iniziare a progettarla.
Questo cambio di scala riguarda proteine, genomi, agenti patogeni e diagnosi. Una proteina può essere pensata come una macchina biologica: se conosci la funzione desiderata, un modello può suggerire una struttura adatta. È lo stesso salto concettuale che vediamo in altri settori dell’AI, dove il modello non si limita a classificare, ma genera soluzioni nuove.
Dalla diagnosi assistita ai rischi di uso improprio
L’impatto positivo può essere enorme. L’AI può aiutare a selezionare candidati farmaci, ridurre tentativi inutili e supportare diagnosi in aree dove mancano specialisti. L’OCSE sull’AI nella scoperta di farmaci segnala proprio il potenziale nella riduzione dei tempi nelle prime fasi della ricerca.
Il rovescio è il rischio dual use. Uno strumento utile per progettare vaccini potrebbe essere usato anche per progettare varianti biologiche pericolose o per manipolare informazioni scientifiche. Qui il punto non è bloccare la ricerca, ma impedire che capacità avanzate finiscano senza controlli in contesti opachi.
Il confronto si lega anche ai limiti più generali dei modelli: l’AI può trovare correlazioni, ma non sempre spiega le cause. Lo abbiamo visto anche parlando di AI meteo e clima, dove più dati non significano automaticamente previsioni perfette.
Il rischio di una scienza a due velocità
Uno dei nodi più delicati riguarda il divario tra nord e sud del mondo. Se i dataset sanitari arrivano quasi solo da Paesi ricchi, i modelli potrebbero funzionare peggio dove la diversità genetica è maggiore o dove i sistemi sanitari hanno meno risorse. In pratica, l’innovazione potrebbe aumentare la distanza tra chi produce tecnologia e chi ne avrebbe più bisogno.
- Dati sanitari rappresentativi, non limitati ai Paesi più ricchi
- Valutazioni indipendenti sui modelli prima dell’uso clinico
- Accesso controllato agli strumenti più sensibili
- Tracciabilità di dataset, risultati e responsabilità umana
La governance internazionale serve anche a evitare l’arbitraggio normativo: aziende o laboratori potrebbero raccogliere dati dove le regole sono deboli e vendere servizi dove il mercato è più redditizio. È un problema simile a quello delle grandi piattaforme digitali, già discusso nel nostro pezzo su AICOA e Big Tech.
La lezione più sobria arriva dai limiti strutturali dell’AI: qualità dell’output, qualità dei dati e verifica umana restano inseparabili. Il futuro dei farmaci progettati con l’intelligenza artificiale non dipenderà solo da modelli più potenti, ma da una domanda più scomoda: chi decide quali dati entrano nella macchina e chi può controllare ciò che ne esce?
