Isomorphic Labs: un investimento da 2,1 miliardi di dollari per l'AI nella scoperta di farmaci

Isomorphic Labs, la startup fondata da Sir Demis Hassabis e nata come spin-off di Google DeepMind, ha annunciato un significativo round di finanziamento Series B, raccogliendo 2,1 miliardi di dollari. Questo investimento multimiliardario è stato definito da Hassabis, attuale CEO e fondatore di Isomorphic Labs nonché responsabile dell'offerta AI di Google, come un "massiccio voto di fiducia" nell'approccio dell'azienda all'utilizzo dell'intelligenza artificiale per accelerare la scoperta e lo sviluppo di nuovi farmaci.

Il round di finanziamento è stato guidato da Thrive Capital, un fondo di venture capital statunitense già investitore, con la partecipazione di Alphabet, la società madre di Isomorphic, e della sua unità di venture capital, GV. Tra i nuovi investitori figurano Temasek di Singapore, CapitalG (il fondo di crescita di Google) e il UK Sovereign AI Fund, a testimonianza di un interesse globale e diversificato nel potenziale trasformativo dell'AI nel settore farmaceutico.

Il motore AI per la progettazione di farmaci: IsoDDE e AlphaFold

Il cuore tecnicico di Isomorphic Labs si basa su software sviluppati da DeepMind, inclusa la celebre AlphaFold, una tecnicia che ha rivoluzionato la biologia strutturale prevedendo con elevata precisione le strutture delle proteine. Questa capacità è fondamentale per la scoperta di farmaci, poiché la comprensione della forma tridimensionale delle proteine è spesso il primo passo per identificare bersagli terapeutici e progettare molecole che possano interagire con essi.

L'iniezione di capitale consentirà a Isomorphic Labs di potenziare lo sviluppo e il deployment del suo motore AI per la progettazione di farmaci, denominato IsoDDE (Isomorphic Labs' AI drug design engine). L'obiettivo primario è accelerare ed espandere la pipeline di programmi terapeutici dell'azienda, che attualmente si concentra sulla ricerca di trattamenti per patologie complesse come il cancro e i disturbi immunitari. La capacità di scalare questa tecnicia è cruciale per la missione dichiarata di "risolvere tutte le malattie".

Il contesto degli investimenti e le implicazioni per il settore

L'entità di questo investimento riflette la crescente convinzione del mercato nel ruolo trasformativo dell'intelligenza artificiale nel settore delle scienze della vita. La scoperta di farmaci è tradizionalmente un processo lungo, costoso e ad alto rischio, con tassi di successo molto bassi. L'AI promette di ridurre drasticamente i tempi e i costi, migliorando l'efficienza nella fase di ricerca e sviluppo.

Per le aziende che operano in questo spazio, la scelta dell'infrastruttura di calcolo è un fattore critico. La gestione di modelli complessi come quelli utilizzati per la previsione delle strutture proteiche o la simulazione molecolare richiede risorse computazionali immense. Decisioni relative al deployment, che sia on-premise, cloud o ibrido, implicano trade-off significativi in termini di TCO, sovranità dei dati e controllo sull'ambiente. Per chi valuta deployment on-premise, esistono framework analitici su /llm-onpremise che possono aiutare a ponderare questi aspetti, specialmente quando si tratta di dati sensibili e requisiti di compliance stringenti.

Prospettive future e le sfide infrastrutturali

Con questo nuovo capitale, Isomorphic Labs intende non solo espandere la propria pipeline di ricerca, ma anche attrarre talenti di alto livello nei campi dell'AI, dell'ingegneria, della progettazione di farmaci e della clinica. L'azienda aveva già raccolto 600 milioni di dollari nel maggio dell'anno precedente, segnando il suo primo round di finanziamento esterno, e questo nuovo round consolida ulteriormente la sua posizione nel panorama dell'AI applicata alla biotecnicia.

La scalabilità della tecnicia e l'ambizione di "costruire il nostro motore di progettazione di farmaci su larga scala" implicano requisiti infrastrutturali notevoli. La necessità di gestire grandi volumi di dati, eseguire simulazioni complesse e addestrare o eseguire l'inference su LLM e altri modelli AI specifici per la biologia, pone sfide significative. Garantire throughput elevato, bassa latenza e sufficiente VRAM per i carichi di lavoro più intensivi sarà fondamentale per raggiungere gli obiettivi prefissati, sottolineando l'importanza di una strategia infrastrutturale robusta e lungimirante.