Isomorphic Labs ha messo IsoDDE al centro della sua strategia sui farmaci AI: nel benchmark più difficile il sistema ha centrato 30 previsioni su 60 e il 12 maggio 2026 la società ha annunciato 2,1 miliardi di dollari di nuovi fondi.
La notizia conta perché sposta l'AI scientifica dal compito più noto, prevedere la forma di una proteina, al compito più utile per l'industria: capire dove una molecola può attaccarsi, quanto forte si lega e se apre una via terapeutica che i metodi classici non vedono. Per chi usa o valuta l'AI, il segnale riguarda un sistema verticale che tenta di ridurre la fase più costosa e incerta della ricerca preclinica.
Come funzionano i farmaci AI di IsoDDE
Nel report tecnico pubblicato il 10 febbraio 2026, Isomorphic Labs descrive IsoDDE, abbreviazione di Isomorphic Labs Drug Design Engine, come un sistema computazionale unificato per modellare interazioni biomolecolari. Il motore lavora su tre fronti: previsione della struttura, identificazione delle tasche proteiche e stima dell'affinità di legame, cioè la forza con cui una molecola si lega a un bersaglio biologico.
“IsoDDE more than doubles the accuracy of AlphaFold 3 on a challenging protein-ligand generalisation benchmark”
Il punto tecnico non riguarda solo la precisione media. Isomorphic Labs sostiene che il sistema regge meglio quando incontra molecole e tasche lontane dai dati di addestramento. Nel benchmark Runs N' Poses, nella fascia più difficile, quella con similarità 0-20 rispetto al training set, IsoDDE ha ottenuto un successo nel 50% dei casi: 30 su 60. Di queste previsioni corrette, 17 riguardavano esempi in cui AlphaFold 3 non aveva prodotto il risultato corretto.
Le tasche proteiche sono cavità o regioni sulla superficie di una proteina dove un farmaco può legarsi. Le tasche criptiche sono più interessanti perché non appaiono nella forma non legata della proteina: si aprono solo quando arriva la molecola giusta. Per un team di drug discovery, trovarle significa trasformare una proteina considerata difficile in un possibile bersaglio terapeutico.
Il caso cereblon e il limite da ricordare
IEEE Spectrum concentra l'intervista ad Adrian Stecuła, group leader nella divisione machine learning di Isomorphic Labs, su cereblon, una proteina coinvolta nella degradazione mirata delle proteine cellulari. Un paper pubblicato su Nature il 21 gennaio 2026 ha identificato su cereblon un sito allosterico criptico, cioè una zona lontana dal sito classico di legame che può modificare il comportamento della proteina.
Secondo Isomorphic Labs, IsoDDE ha ricostruito quel risultato usando come input solo la sequenza di cereblon: ha previsto sia il sito noto sia il nuovo sito criptico, e poi ha collocato i ligandi nelle posizioni corrette quando questi sono stati specificati. Nel report tecnico, il sistema supera anche P2Rank di 1,5 volte in AUPRC su un test generale di identificazione delle tasche, un dato utile ma meno intuitivo per chi non vive nei benchmark.
Il limite resta netto. IsoDDE non ha dimostrato che un farmaco funziona in un paziente. Ha dimostrato, sui dati e sugli esempi pubblicati, che può formulare ipotesi strutturali migliori in alcuni scenari difficili. Tra una tasca prevista e una terapia approvata passano sintesi chimica, test cellulari, studi animali, tossicologia, trial clinici e decisioni regolatorie.
La domanda che i comunicati ufficiali non affrontano è più scomoda: se un modello trova una tasca che il laboratorio non aveva ancora visto, chi decide quanto denaro e quanta fiducia spostare su quella previsione prima dell'esperimento?
Perché Alphabet sta investendo così tanto
Il contesto economico spiega il peso della notizia. Isomorphic Labs nasce come spinout di Google DeepMind e costruisce sopra l'eredità di AlphaFold, premiata con il Nobel per la Chimica nel 2024. La società ha accordi con Novartis, Eli Lilly e Johnson & Johnson, e con il round Series B da 2,1 miliardi di dollari guidato da Thrive Capital vuole scalare il motore IsoDDE e far avanzare la pipeline di candidati farmaci.
Questo non trasforma Isomorphic Labs in una farmaceutica tradizionale. La colloca in una posizione diversa: vende o condivide una capacità predittiva che può cambiare le prime decisioni di ricerca, quelle in cui un'azienda sceglie quali bersagli inseguire e quali molecole scartare. Nel panorama AI, il passaggio conta perché sposta il valore dai modelli generali ai sistemi specializzati, addestrati su problemi scientifici dove ogni errore costa mesi di laboratorio.
Cosa cambia per il lettore italiano
Per l'Italia, la lezione non sta nel provare a replicare Isomorphic Labs da zero. Pochi attori europei possono finanziare un motore proprietario con miliardi di dollari, team di biologia strutturale e infrastruttura AI di livello Alphabet. Il punto concreto riguarda l'ecosistema che si forma intorno a questi modelli: laboratori universitari, biotech, CRO, ospedali di ricerca e startup software dovranno imparare a validare ipotesi generate da AI, non solo a riceverle.
Chi saprà collegare modelli predittivi, laboratorio e verifica clinica avrà un vantaggio misurabile: meno progetti scelti per intuizione, più candidati selezionati con prove ripetibili prima di spendere anni in sviluppo.
Fonti citate
- How a Google DeepMind Spinoff Hunts Hidden Drug Targets , IEEE Spectrum, 2026.
- The Isomorphic Labs Drug Design Engine unlocks a new frontier beyond AlphaFold , Isomorphic Labs, 10 febbraio 2026.
- Accurate Predictions of Novel Biomolecular Interactions with IsoDDE , Isomorphic Labs Team, 10 febbraio 2026.
- Isomorphic Labs announces Series B investment round , Isomorphic Labs, 12 maggio 2026.
- Identification of an allosteric site on the E3 ligase adapter cereblon , Nature, 21 gennaio 2026.