Il prossimo grande salto dei farmaci per l’obesità potrebbe non essere perdere più peso. Potrebbe essere perdere grasso senza sacrificare il corpo che dovrebbe mantenerci forti mentre invecchiamo. Il 30 settembre 2026 Insilico Medicine ha annunciato ISM1354, un nuovo candidato preclinico antagonista del recettore GIP progettato con la propria piattaforma di AI generativa Chemistry42. L’obiettivo dichiarato è combinarlo con terapie GLP-1 per migliorare la perdita di grasso preservando la massa magra.
È ancora ricerca preclinica. Non sappiamo se ISM1354 sarà sicuro o efficace negli esseri umani, e sarebbe sbagliato descriverlo come un farmaco anti-invecchiamento. Ma il segnale è notevole per un altro motivo: l’AI sta iniziando a ottimizzare molecole non soltanto per colpire un bersaglio, ma per bilanciare contemporaneamente potenza, esposizione, selettività e segnali di sicurezza. È la biologia programmabile che incontra l’ingegneria multi-obiettivo.
Secondo Insilico Medicine, Chemistry42 ha integrato modelli predittivi, strutture proteina-ligando, filtri per rischio di danno epatico e calcoli di affinità. Dopo cicli design-make-test-analyze, ISM1354 è stato scelto come candidato preclinico. I dati comunicati dall’azienda includono biodisponibilità orale fra il 75 e il 104% in più specie e un’esposizione plasmatica almeno 18 volte superiore a un composto clinico di confronto alla stessa dose. Sono dati del produttore e devono essere confermati nelle fasi successive.
Il problema che arriva dopo il successo dei GLP-1
I farmaci GLP-1 hanno trasformato il trattamento dell’obesità. Ma una riduzione importante del peso può includere anche perdita di massa magra. Per una persona giovane questo può essere gestibile; per una popolazione che invecchia, la questione diventa molto più seria.
La massa muscolare è collegata a forza, mobilità, metabolismo e autonomia. La sarcopenia è già uno dei grandi problemi dell’invecchiamento. Un trattamento metabolico ideale non dovrebbe quindi essere valutato soltanto sulla bilancia.
Qui nasce il razionale di combinare meccanismi diversi: spingere la perdita di grasso mantenendo meglio la funzione. ISM1354 punta al GIPR, il recettore del polipeptide insulinotropico glucosio-dipendente. La biologia è complessa e il settore sta esplorando strategie sia agoniste sia antagoniste in combinazioni differenti.
Perché questo è un articolo di AI, non soltanto di farmacologia
La parte più interessante è il processo. Chemistry42 non avrebbe semplicemente “inventato una molecola” con un prompt. La descrizione di Insilico parla di ottimizzazione iterativa su molte proprietà contemporaneamente.
È importante perché la scoperta di farmaci fallisce spesso non per assenza di attività sul bersaglio, ma per proprietà collaterali: assorbimento insufficiente, tossicità, metabolismo, interazioni indesiderate, distribuzione sbagliata.
L’AI può diventare utile quando restringe lo spazio chimico tenendo insieme questi vincoli. È la stessa logica che abbiamo visto con AlphaProteo e la progettazione di nuove proteine: non limitarsi a descrivere la biologia esistente, ma cercare configurazioni nuove che soddisfino obiettivi definiti.
Il passaggio da previsione a ciclo chiuso
Il vero motore non è il modello isolato. È il ciclo design-make-test-analyze. L’AI propone, il laboratorio sintetizza, l’esperimento misura, i dati tornano al modello e il ciclo ricomincia.
Questo è il cuore dei laboratori AI autonomi. Più il ciclo viene automatizzato, più aumenta il numero di ipotesi che possono essere testate in un dato periodo.
Non significa che l’esperimento diventi inutile. Significa il contrario: l’esperimento diventa il segnale di realtà che impedisce al modello di perdersi in molecole eleganti ma biologicamente inutili.
È anche la logica della compressione del tempo scientifico: ridurre il tempo fra ipotesi e prova.
Interpretazione FuturVibe: la longevità si sposta dalla durata alla funzione
Interpretazione FuturVibe. La longevità sta maturando. Per anni il dibattito pubblico si è concentrato sulla durata della vita. Ma il vero mercato potrebbe essere la conservazione della funzione: muscolo, metabolismo, cognizione, capacità cardiovascolare, immunità.
Un farmaco che riduce il peso ma accelera fragilità muscolare sarebbe meno interessante per una società longeva. Un intervento che migliora metabolismo mantenendo capacità fisica avrebbe invece un valore diverso.
Questo collega ISM1354 al nostro cluster sull’invecchiamento reversibile e alla corsa al ringiovanimento cellulare, ma con una differenza fondamentale: qui non stiamo parlando di reset dell’età biologica. Stiamo parlando di progettare terapie metaboliche che tengano conto di una dimensione centrale dell’healthspan.
Il dato più importante potrebbe essere il ritmo della pipeline
Insilico afferma di aver nominato dieci candidati preclinici nei primi nove mesi del 2026 e 34 dal 2021. Il numero, preso da solo, non dimostra successo clinico. Molti candidati preclinici falliscono.
Ma il ritmo conta perché misura una cosa diversa: la
produttività della macchina di scoperta. Se una piattaforma AI può produrre candidati plausibili più rapidamente, aumenta il numero di tentativi che un’azienda può portare verso la clinica.È una strategia di portafoglio. Non serve che ogni molecola funzioni. Serve che il costo e il tempo per generare candidati di qualità scendano abbastanza da permettere più esperimenti.
Questa dinamica è parallela a ciò che sta accadendo con i 37.000 agenti della biotech virtuale: l’AI moltiplica la quantità di ricerca che può essere esplorata prima di spendere risorse fisiche.
Il caveat decisivo: preclinico significa preclinico
ISM1354 non è una terapia disponibile. I risultati su cellule e animali non garantiscono efficacia nell’uomo. La farmacocinetica può cambiare. Effetti inattesi possono emergere con dosi ripetute. Il meccanismo GIPR è complesso e la combinazione con GLP-1 richiede studi controllati.
La dichiarazione di un margine di sicurezza in una valutazione non-GLP sulle scimmie è incoraggiante per lo sviluppo, ma non equivale a una prova clinica di sicurezza.
Questa distinzione è particolarmente importante nel campo della longevità, dove l’entusiasmo può trasformare segnali preliminari in promesse. FuturVibe separa il fatto dallo scenario: il fatto è la nomina di un candidato e i dati preclinici comunicati; lo scenario riguarda ciò che un’intera pipeline AI potrebbe rendere possibile.
La convergenza con gli aging clock
Insilico ha già collegato AI e aging biology con rentosertib e con strumenti basati su orologi biologici. Questo crea una convergenza interessante: modelli che progettano molecole e modelli che misurano segnali di invecchiamento.
In futuro lo stesso ciclo potrebbe usare biomarcatori multi-omici come feedback. Non soltanto “il tumore si è ridotto?” o “il peso è sceso?”, ma come cambia una rete di segnali associati a funzione, infiammazione, metabolismo e rischio.
Qui si collega il lavoro su AlphaGenome e GPN-Star: la biologia sta diventando leggibile su più strati, dal DNA alle proteine fino ai fenotipi.
La convergenza con gli agenti scientifici
Un’altra trasformazione arriva dagli agenti. Paper2Agent mostra come la conoscenza scientifica possa diventare eseguibile; i sistemi multi-agente possono confrontare ipotesi, interrogare database e progettare esperimenti.
Inseriti nel ciclo di drug discovery, questi agenti possono collegare letteratura, dati omici, chimica computazionale e risultati sperimentali. Il ricercatore non viene eliminato: cambia il livello su cui lavora, passando dalla ricerca manuale di ogni informazione alla progettazione e verifica del sistema.
La conseguenza è una scienza più parallela. Migliaia di ipotesi possono essere filtrate prima di arrivare al banco.
Perché il muscolo può diventare un endpoint della longevità
Se la medicina metabolica continua a crescere, preservare la massa magra diventerà una metrica sempre più importante. Il peso corporeo è un indicatore grezzo. Due persone che perdono dieci chili possono avere risultati biologici molto diversi se una perde soprattutto grasso e l’altra anche una quota significativa di muscolo.
La medicina della longevità avrà bisogno di endpoint più ricchi: composizione corporea, forza, capacità aerobica, fragilità, biomarcatori molecolari e qualità della vita.
È qui che AI e sensori possono convergere. Modelli longitudinali possono seguire la traiettoria individuale invece di confrontare soltanto medie di popolazione.
Scenario 2028–2029: combinazioni progettate per l’healthspan
Scenario FuturVibe, 2–3 anni. Se i candidati GIPR e altre strategie complementari supereranno i primi test clinici, il mercato dell’obesità potrebbe spostarsi dalla massima perdita di peso alla qualità della perdita di peso.
Vedremmo combinazioni ottimizzate per sottogruppi: persone anziane, pazienti con rischio sarcopenico, diabete, malattie cardiovascolari. L’AI potrebbe aiutare sia a progettare le molecole sia a identificare chi ha più probabilità di beneficiare di una specifica combinazione.
Perché accada servono trial umani convincenti, biomarcatori affidabili e un vantaggio clinico reale rispetto alle terapie esistenti. Se questi elementi non emergono, ISM1354 resterà uno dei molti candidati promettenti fermati dalla clinica.
Scenario 2036: la medicina diventa ottimizzazione multi-obiettivo
Scenario FuturVibe, circa 10 anni. La medicina potrebbe smettere di ottimizzare un singolo numero. Non soltanto LDL, peso, glicemia o pressione. Un sistema AI potrebbe cercare un equilibrio fra decine di obiettivi: rischio cardiovascolare, massa muscolare, infiammazione, metabolismo, funzione renale, cognizione e biomarcatori di età biologica.
La terapia diventerebbe un problema di controllo dinamico. Dosi, combinazioni, dieta, attività e altri interventi verrebbero adattati nel tempo in base alla risposta individuale.
È una prospettiva più concreta dell’idea di una singola “pillola dell’immortalità”. La longevità
potrebbe emergere dalla gestione coordinata di molti sistemi, resa possibile da modelli capaci di integrare dati che nessun medico potrebbe seguire manualmente in tempo reale.Il ruolo della robotica e dell’automazione
La scoperta computazionale accelera soltanto fino al punto in cui il laboratorio riesce a tenere il passo. Per questo la convergenza con robotica e automazione è decisiva.
Un agente può proporre mille molecole in pochi minuti, ma qualcuno deve sintetizzarle e misurarle. I laboratori robotici trasformano il collo di bottiglia fisico. È la stessa logica della physical AI industriale, applicata alla scienza.
Quando software e laboratorio entrano nello stesso ciclo, la velocità può aumentare non linearmente: ogni esperimento produce dati che migliorano la selezione dell’esperimento successivo.
Il rischio di confondere velocità con verità
Una pipeline più veloce può produrre più candidati, ma non può abolire la biologia. Il corpo umano resta un sistema complesso, con interazioni che i modelli non catturano completamente.
La vera misura del successo dell’AI drug discovery non sarà quanti composti vengono nominati. Sarà quanti arrivano a trial robusti, quanti mostrano benefici clinici e quanti raggiungono i pazienti con un rapporto rischio-beneficio migliore.
Questo è il passaggio dalla promessa alla prova.
Il punto che conta
ISM1354 potrebbe fallire. È normale nella scoperta di farmaci. Ma anche un singolo candidato fallito può far parte di una trasformazione più grande se il processo che lo ha generato continua a migliorare.
La notizia importante è che l’AI sta entrando nel punto in cui la medicina decide fra proprietà in conflitto: efficacia, esposizione, selettività, tossicità, durata e funzione.
La longevità reale non sarà soltanto vivere più a lungo. Sarà conservare abbastanza corpo da poter usare quegli anni.
E se l’intelligenza artificiale riuscirà a trasformare questa idea in un problema di progettazione misurabile, la corsa alla vita lunga smetterà lentamente di cercare una molecola magica e inizierà a costruire sistemi terapeutici capaci di ottimizzare ciò che conta davvero: non il numero degli anni, ma la quantità di vita che rimane dentro quegli anni.
