The Pulse

Iambic presenta Enchant v3, il modello da 41 miliardi di parametri per la scoperta di farmaci

Iambic ha annunciato Enchant v3, un transformer multimodale da 41 miliardi di parametri progettato per la ricerca e lo sviluppo di farmaci dall’inizio alla fine. Il modello aggiunge nuove capacità predittive e supporta i programmi di scoper

AI.info Team · Scritto con l’IA · verificato · 2026-09-21

Iambic ha presentato Enchant v3 il 21 settembre 2026, descrivendolo come un transformer multimodale da 41 miliardi di parametri progettato per supportare la scoperta di farmaci dalle prime fasi della ricerca fino allo sviluppo clinico. Il modello è la tecnologia di intelligenza artificiale alla base della piattaforma di superintelligenza molecolare dell’azienda di San Diego, afferma Iambic.

Il lancio segna un aumento sostanziale delle dimensioni del modello per Iambic. Enchant v1, addestrato nel 2024, aveva 1 miliardo di parametri, mentre Enchant v2, addestrato nel 2025, ha raggiunto i 7 miliardi di parametri. Enchant v3 aggiunge un’architettura mixture-of-experts, una maggiore quantità di dati, una gamma più ampia di modalità di dati e nuove capacità predittive pensate per verificare in parallelo più ipotesi nella scoperta di farmaci.

Da 1 miliardo a 41 miliardi di parametri

Enchant è il sistema di IA centrale della piattaforma di ricerca molecolare di Iambic. Il modello combina informazioni provenienti da diversi tipi di dati biomedici per stimare le possibili prestazioni di un composto candidato rispetto a un profilo bersaglio. Il sistema è progettato per acquisire strutture molecolari e biomolecolari, dati di sequenza e omici, dati tabulari di analisi sperimentali, dati fisici, testi biomedici e immagini, e produrre previsioni su endpoint preclinici e clinici.

Invece di trattare ogni fase della scoperta di farmaci come un problema tecnico separato, la piattaforma di Iambic è progettata per affrontare il processo dall’identificazione degli hit all’ottimizzazione multiparametrica dei lead fino alla possibilità di svilupparli clinicamente. Enchant opera insieme a sistemi automatizzati di generazione di dati di laboratorio: le sue previsioni aiutano a orientare le scelte progettuali e a stabilire le priorità degli esperimenti.

Le previsioni includono stime dell’incertezza che, secondo l’azienda, aiutano a determinare quali esperimenti di laboratorio condurre successivamente. I team di Iambic effettuano ogni settimana il fine-tuning del modello su centinaia di proprietà molecolari distinte e generano circa 12 milioni di inferenze al mese nell’ambito di programmi di scoperta di farmaci interamente propri e in collaborazione con partner.

Enchant può trasferire informazioni tra endpoint correlati, per esempio utilizzando misurazioni in vitro meno costose per contribuire a prevedere proprietà in vivo più costose da misurare, oppure usando informazioni precliniche per stimare caratteristiche cliniche, afferma l’azienda.

Nuove previsioni per molecole, dati omici e peptidi

Enchant v3 aggiunge la progettazione inversa, la previsione basata su dati omici, la previsione basata su immagini e il supporto per i peptidi. Queste capacità estendono il modello oltre la previsione convenzionale delle proprietà delle piccole molecole e sostengono l’obiettivo dichiarato dall’azienda di applicare un unico sistema all’identificazione degli hit, all’ottimizzazione dei lead e allo sviluppo clinico.

Secondo Iambic, l’accuratezza delle previsioni è migliorata con l’aumento delle dimensioni dei modelli Enchant. Il confronto dell’azienda tra le tre generazioni mostra che le prestazioni migliorano all’aumentare della scala, per una serie di endpoint preclinici e clinici.

IAM-C1 e IAM217 come casi di prova per la scoperta di farmaci

Iambic indica due programmi interni come esempi di utilizzo di Enchant insieme a esperimenti automatizzati di chimica e biologia. IAM-C1 è un inibitore doppio selettivo di CDK2 e CDK4, progettato per inibire due vie associate al cancro evitando chinasi strettamente correlate che potrebbero restringere la sua finestra terapeutica. Secondo l’azienda, il candidato presenta quattro bersagli indesiderati in un’analisi KINOMEScan TREEspot.

Il secondo esempio, IAM217, è un inibitore allosterico di KIF18A studiato per il carcinoma mammario triplo negativo, il carcinoma ovarico e altre indicazioni relative a tumori solidi. Negli studi preclinici IAM217 ha prodotto una regressione di circa il 90% dei tumori intracranici già sviluppati, mentre un comparatore presumibilmente in fase clinica non ha prodotto alcuna regressione, riferisce Iambic. Secondo l’azienda, IAM217 ha inoltre ottenuto un’inibizione comparabile della crescita tumorale con esposizioni plasmatiche totali e libere inferiori rispetto allo standard di cura e ha dimostrato un profilo favorevole di interazioni farmacologiche, compatibile con una somministrazione orale una volta al giorno.

Questi risultati preclinici sono riportati dall’azienda e non costituiscono una prova di beneficio clinico. Sia IAM-C1 sia IAM217 avanzano verso la presentazione di domande di autorizzazione alla sperimentazione di nuovi farmaci; serviranno ancora dati clinici sull’uomo per stabilire se i risultati dei programmi siano trasferibili alla pratica clinica.

L’impiego di Enchant nella ricerca sui farmaci

Iambic prevede di utilizzare Enchant v3 nei propri progetti di scoperta di farmaci, sia interni sia con i partner. L’azienda si aspetta che il modello aiuti a verificare più ipotesi, prevedere endpoint preclinici e clinici e stabilire le priorità tra i potenziali composti da sottoporre a esperimenti di laboratorio.

Per ora, le evidenze pubbliche consistono nei confronti tra modelli riportati da Iambic, nella descrizione della piattaforma e negli esempi preclinici. Secondo l’azienda, la prova definitiva arriverà dai dati clinici sull’uomo, man mano che i suoi programmi avanzeranno verso la fase clinica.