L’AI drug discovery sta entrando in una fase più matura e industriale. Kevin Weil, già responsabile scientifico di OpenAI, ha lanciato Warp Sciences, una startup innovativa che mira ad automatizzare il lavoro nei wet lab, i laboratori dove si manipolano campioni, reagenti e composti reali per la scoperta di farmaci. La società ha annunciato un significativo finanziamento di 215 milioni di dollari, con una valutazione di 865 milioni, in un round guidato da Lightspeed e partecipato da IVP, Premji Invest e Lux Capital.
Il progetto di Warp Sciences va oltre l'uso di modelli generativi per la sola proposta di molecole.
L'obiettivo è chiudere l'intero ciclo tra previsione, sintesi e test. Attraverso l'integrazione di chimici umani, telecamere, guanti sensorizzati e robot, le procedure manuali dovrebbero trasformarsi in workflow replicabili e continuamente eseguibili. Questa è una visione ambiziosa, poiché sposta l'AI drug discovery dal dominio puramente software al banco di laboratorio, dove fattori come errori, variabilità e sicurezza rappresentano ancora vincoli concreti.
Warp Sciences e la nuova filiera del laboratorio
Un aspetto strategico di questa iniziativa riguarda la supply chain. Molte aziende biotech hanno storicamente esternalizzato fasi laboriose della sintesi chimica, spesso affidandosi a contractor anche in Cina.
Warp Sciences intende riportare una parte significativa di questo lavoro negli Stati Uniti, riducendo così l'esposizione a rischi geopolitici e logistici. In questo contesto, la robotica non è solo uno strumento di efficienza, ma diventa un elemento chiave per la sovranità scientifica e produttiva.
La raccolta dati dai chimici umani è un pilastro centrale del modello. Guanti e sensori sono impiegati per catturare gesti, tempi e sequenze operative. Queste informazioni sono poi utilizzate per addestrare robot capaci di riprodurre compiti complessi. Il valore aggiunto non risiede unicamente nel braccio robotico, ma nella codifica del sapere tacito del laboratorio: operazioni come pesare, miscelare, attendere, osservare anomalie e adattare procedure.
Se questo modello si dimostrerà efficace, potrebbe rendere l'AI drug discovery meno dipendente da passaggi artigianali difficili da scalare.
Self-driving lab: perché la ricerca chiede più standard
Il contesto scientifico attuale conferma questa direzione. I self-driving laboratories sono piattaforme che combinano sperimentazione autonoma, robotica, intelligenza artificiale e ingegneria dei reattori. Negli ultimi anni, questi sistemi si sono evoluti da automazioni specializzate a infrastrutture capaci di proporre, eseguire e interpretare esperimenti con un intervento umano limitato.
Tuttavia, l'analisi di questi sistemi indica tre requisiti ancora fondamentali per la loro piena adozione: scalabilità, generalizzabilità e una tracciabilità completa degli esperimenti. Per un laboratorio automatizzato, non è sufficiente aumentare il numero di test; è essenziale poter trasferire i protocolli da un contesto all'altro con affidabilità e precisione.
