L’AI Agentica, ultima tra le innovazioni dirompenti nel campo dell’Intelligenza Artificiale, sta già dimostrando il suo enorme potenziale attraverso una serie di applicazioni innovative.
In particolare, l’AI agentica nel Pharma è utilizzata nella ricerca scientifica per la scoperta di nuovi farmaci con l’obiettivo di accelerare i processi, ridurre i costi e migliorare l’accuratezza predittiva rispetto ai metodi tradizionali.
Secondo il rapporto Gartner “Life Science Use Case Examples of Agentic AI”, l’intelligenza artificiale agentica, infatti, già riconosciuta come una delle principali tendenze tecnologiche per il 2025, è potenzialmente in grado di rivoluzionare il settore Life Sciences, pur se sarà necessario superare le attuali sfide tra cui scalabilità, qualità dei dati e accuratezza dell’output.
L’analisi Gartner, pur essendo basata in alcuni casi su proof of concept e use case prospettici, offre a CIO e IT leader una guida per orientarsi nel mercato globale delle soluzioni per l’AI agentica nel Pharma.
Di seguito, alcuni tra i più significativi dei suddetti casi d’uso nell’ambito delle soluzioni finalizzate alla ricerca scientifica nel Pharma.
Indice degli argomenti
Google AI Co-Scientist: l’AI agentica per il Pharma (e non solo)
Google, attraverso le sue divisioni Research, Cloud AI Research e DeepMind, ha compiuto un passo importante nello sviluppo dell’AI Agentica nel Pharma e Life Sciences con la creazione dell’AI Co-Scientist.
Questo sistema multi-agente, basato su Gemini 2.0, è stato progettato per emulare e potenziare il processo di scoperta scientifica, generando, dibattendo ed evolvendo ipotesi in modo autonomo.
AI Co-Scientist rappresenta un salto qualitativo nell’applicazione dell’AI alla ricerca scientifica, mirando non a sostituire, ma ad amplificare le capacità dei ricercatori umani.
Il sistema è strutturato per rispecchiare il metodo scientifico, utilizzando agenti specializzati per la generazione di ipotesi, la riflessione, la classificazione e l’evoluzione delle idee. Un aspetto chiave dell’architettura è l’inclusione di un agente supervisore che gestisce le code di attività e alloca le risorse, garantendo un’efficiente orchestrazione del processo di ricerca.
AI Co-Scientist può integrare strumenti esterni come motori di ricerca web e AlphaFold, espandendo così il suo repertorio di conoscenze e capacità analitiche.
I risultati preliminari sono molto incoraggianti: il sistema ha già proposto candidati per il riposizionamento di farmaci con risultati di validazione promettenti, ha suggerito nuovi bersagli epigenetici per la fibrosi epatica (validati in organoidi epatici umani), ha individuato e spiegato nuovi meccanismi relativi alla resistenza antimicrobica e contribuito al riutilizzo di farmaci per la leucemia mieloide acuta.
AMD Agent Laboratory
La collaborazione tra AMD e Johns Hopkins University ha portato allo sviluppo di Agent Laboratory, un framework autonomo basato su LLM che promette di rivoluzionare il processo di ricerca nel campo del machine learning.
Questo sistema di AI agentica nel Pharma (e non solo) è progettato per accelerare la scoperta scientifica, ridurre i costi di ricerca e migliorare la qualità complessiva del lavoro scientifico, permettendo ai ricercatori di concentrarsi sugli aspetti più creativi e strategici del loro lavoro.
Agent Laboratory opera attraverso tre fasi principali:
- revisione della letteratura;
- sperimentazione;
- stesura dei rapporti.
Nella fase di revisione della letteratura, il sistema raccoglie e analizza autonomamente articoli di ricerca pertinenti, creando una base di conoscenza solida per il progetto di ricerca.
Durante la fase di sperimentazione, Agent Laboratory facilita la pianificazione collaborativa e la preparazione dei dati, conducendo poi esperimenti automatizzati.
Infine, nella fase di stesura dei rapporti, il sistema genera relazioni di ricerca complete e dettagliate.
Un aspetto innovativo di Agent Laboratory è l’utilizzo di agenti specializzati guidati da modelli linguistici di grandi dimensioni per supportare l’intero flusso di lavoro della ricerca, inclusa la codifica. La capacità del sistema di generare codice ML di alta qualità potrebbe democratizzare l’accesso alla ricerca avanzata sul machine learning, permettendo anche a ricercatori con meno esperienza di programmazione di condurre esperimenti sofisticati. Inoltre, il codice ML generato da Agent Laboratory è stato in grado di raggiungere prestazioni all’avanguardia rispetto ai metodi esistenti, dimostrando la sua capacità non solo di automatizzare, ma anche di innovare nel campo della ricerca via machine learning.
Questo approccio permette una maggiore flessibilità e adattabilità rispetto ai sistemi di automazione più tradizionali, consentendo al framework di affrontare una vasta gamma di compiti di ricerca con un alto grado di autonomia.
I risultati preliminari sono molto promettenti: Agent Laboratory ha dimostrato di poter ridurre significativamente i costi di ricerca, con una diminuzione dell’84% rispetto ai metodi di ricerca autonoma precedenti.
Microsoft ResearchAgent
La collaborazione tra Microsoft Research, KAIST e DeepAuto ha portato allo sviluppo di ResearchAgent, un sistema di AI Agentica per il Pharma (e non solo) basato su LLM che promette di rivoluzionare il processo di generazione di idee di ricerca nel campo scientifico.
ResearchAgent è stato progettato per affrontare la natura complessa, lenta e dipendente dall’esperienza della ricerca scientifica, automatizzando e ottimizzando le fasi iniziali del processo di ricerca. Il sistema simula il modo in cui i ricercatori umani sviluppano nuove idee, partendo da un articolo scientifico centrale ed esplorando pubblicazioni correlate attraverso un grafo accademico.
Una delle caratteristiche di ResearchAgent è la costruzione di un archivio di conoscenze incentrato sulle entità, derivato dalle co-occorrenze di concetti chiave, per catturare relazioni innovative all’interno e tra i domini. Questo approccio permette al sistema di identificare connessioni e idee che potrebbero sfuggire anche ai ricercatori più esperti, aprendo nuove strade per l’innovazione scientifica.
ResearchAgent utilizza anche agenti di revisione basati su LLM per fornire critiche costruttive e perfezionare iterativamente le idee di ricerca, basandosi su criteri indotti dai giudizi umani. Questo processo di raffinamento iterativo simula il dialogo e la collaborazione che tipicamente avvengono in un ambiente di ricerca umano, migliorando la qualità e la rilevanza delle idee generate.
Oltre alla generazione di idee, ResearchAgent assiste anche nelle fasi iniziali della progettazione degli esperimenti e semplifica la scrittura e il perfezionamento degli articoli di ricerca.
I risultati preliminari sono significativi: ResearchAgent, infatti, ha dimostrato di superare le prestazioni di forti baseline basate su LLM, generando idee che sono più chiare, rilevanti, significative e innovative. Questo suggerisce che il sistema non solo può accelerare il processo di ricerca, ma può anche migliorare la qualità e l’originalità delle idee prodotte.
Alibaba Group e BGI Research insieme per l’AI agentica nel Pharma e Life Sciences
La collaborazione tra Alibaba Group e BGI Research ha portato allo sviluppo del BioInformatics Agent (BIA), un sistema di AI agentica nel Pharma & Life Sciences progettato per impattare profondamente sull’analisi bioinformatica.
Il BIA – che sfrutta la potenza dei modelli LLM per comprendere ed eseguire compiti di ricerca sofisticati attraverso il linguaggio naturale – rappresenta un passo significativo nell’automazione e semplificazione dei complessi processi di analisi dei dati biologici.
Questo sistema integra un framework di strumenti bioinformatici con GPT-4, creando un agente AI capace di gestire sia flussi di lavoro statici per analisi standard, sia flussi di lavoro dinamici che possono adattarsi autonomamente in base ai risultati ottenuti.
Una delle caratteristiche importanti del BIA è il suo sofisticato sistema di invocazione degli strumenti che permette all’agente AI di selezionare e coordinare automaticamente gli strumenti bioinformatici appropriati, incorporando al contempo l’apprendimento per rinforzo per migliorare il suo processo decisionale nel tempo.
I risultati preliminari sono allettanti: il BIA ha dimostrato una precisione del 95% nell’estrazione di metadati dai database GEO (NCBI) e ArrayExpress (ENA), superando significativamente le prestazioni dell’utilizzo diretto di GPT-4.
Questo livello di accuratezza e efficienza promette di alleviare notevolmente il carico di lavoro per la comunità bioinformatica, abbassando le barriere all’accesso alla conoscenza del dominio biologico. L’impatto potenziale di questa tecnologia è vasto: dalla accelerazione della scoperta di nuovi farmaci all’identificazione più rapida di nuovi biomarkers per malattie complesse.
AI agentica nel Pharma: la piattaforma Owkin K per l’immuno-oncologia
Owkin, nota azienda che opera nel campo dell’intelligenza artificiale applicata alle scienze della vita, ha compiuto un passo importante nello sviluppo dell’AI agentica nel Pharma & Life Sciences per l’identificazione e la validazione sperimentale di nuovi target terapeutici.
Il sistema, chiamato Owkin K, è una sorta di team di agenti AI specializzati progettati per affrontare la complessità del sistema immunitario (immuno-oncologia e malattie autoimmuni), aree di ricerca cruciali ma notoriamente complesse che sfidano da sempre le capacità dell’intelligenza umana.
La piattaforma Owkin K interpreta autonomamente e accede a un’ampia gamma di letteratura scientifica e dati biomedici su larga scala. Ciò prevede l’utilizzo del motore di Owkin, dati di trascrittomica spaziale e il foundation model Bioptimus, facendo uso di diverse fonti di informazioni per una comprensione più completa e sfaccettata dei processi biologici.
Owkin K ha la capacità di pianificare ed eseguire esperimenti in laboratori umidi (wet laboratory) completamente automatizzati e robotizzati, utilizzando organoidi derivati da pazienti. Ciò permette una validazione rapida e precisa delle ipotesi generate dagli agenti AI, accelerando significativamente il processo di scoperta di nuovi target.
Il sistema è progettato per apprendere e raffinare continuamente i suoi modelli basandosi sui risultati sperimentali, creando così un ciclo di feedback che migliora costantemente le sue prestazioni.
Sakana AI Scientist
La collaborazione tra Sakana AI e le Università di Oxford e British Columbia ha portato alla creazione di un AI Scientist progettato per automatizzare l’intero processo di ricerca scientifica nel campo del machine learning.
Il sistema di AI Agentica – utile nel Pharma e LifeSciences ma non solo – mira a replicare e potenziare le capacità cognitive di un ricercatore umano in tutte le fasi del processo scientifico.
AI Scientist opera attraverso tre fasi principali:
- generazione di idee;
- iterazione sperimentale;
- stesura di articoli scientifici.
Nella fase di generazione delle idee, il sistema utilizza modelli LLM per brainstorming di nuove direzioni di ricerca, valutando la novità e la fattibilità delle proposte. Un aspetto interessante è l’uso degli LLM come operatori di mutazione per espandere iterativamente un archivio di idee, simulando il processo creativo umano.
Durante la fase di iterazione sperimentale, l’AI Scientist sfrutta Aider, un assistente di codifica, per eseguire esperimenti e perfezionare il codice in base ai risultati ottenuti. Questo processo è documentato in uno stile simile a un diario sperimentale, catturando non solo i risultati ma anche il ragionamento dietro le decisioni prese.
Infine, nella fase di stesura dell’articolo, il sistema produce paper scientifici in LaTeX, sezione per sezione, utilizzando le note registrate e i grafici generati. Include anche ricerche bibliografiche e revisioni del manoscritto, simulando l’intero processo di pubblicazione accademica.
AI Scientist è in grado di produrre articoli di ricerca completi a un costo di circa 15 dollari per articolo, con alcuni lavori che superano la soglia di accettazione di conferenze di machine learning ben note, secondo un processo di revisione automatizzato.
