The Pulse
Iambic presenta Enchant v3 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 end-to-end. L’azienda afferma che il modello aggiunge nuove capacità di previsione e supporta i suoi
AI.info Team ·
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 dalla ricerca iniziale fino allo sviluppo clinico. L’azienda di San Diego afferma che il modello è la tecnologia centrale di IA alla base della sua piattaforma di superintelligenza molecolare.
Il lancio segna un notevole aumento delle dimensioni dei modelli di Iambic. Enchant v1, addestrato nel 2024, aveva 1 miliardo di parametri, mentre Enchant v2, addestrato nel 2025, ne aveva 7 miliardi. Enchant v3 introduce un’architettura mixture-of-experts, una maggiore quantità di dati, una gamma più ampia di modalità dei dati e nuove capacità di previsione pensate per verificare in parallelo più ipotesi sulla scoperta di farmaci.
Da 1 miliardo a 41 miliardi di parametri
Iambic descrive Enchant come il sistema di IA centrale della sua piattaforma di ricerca molecolare. Il modello combina informazioni provenienti da diversi tipi di dati biomedici per stimare come potrebbe comportarsi un composto candidato rispetto a un profilo di bersagli. Il sistema è progettato per acquisire strutture molecolari e biomolecolari, dati di sequenza e omici, dati tabellari dei saggi, dati di fisica, testi e immagini biomedici, e poi generare previsioni su endpoint preclinici e clinici.
Invece di trattare ogni fase della scoperta di farmaci come un problema tecnico separato, Iambic afferma che la sua piattaforma è progettata per affrontare l’intero processo, dall’identificazione degli hit all’ottimizzazione multiparametrica dei lead e alla loro idoneità allo sviluppo clinico. Enchant opera insieme alla generazione automatizzata di dati di laboratorio; le previsioni contribuiscono a orientare le scelte progettuali e a stabilire la priorità degli esperimenti.
Le previsioni includono stime dell’incertezza che, secondo l’azienda, aiutano a determinare quali esperimenti di laboratorio eseguire in seguito. Iambic riferisce che i suoi team eseguono ogni settimana il fine-tuning del modello su centinaia di proprietà molecolari distinte e generano circa 12 milioni di inferenze al mese nell’ambito dei programmi di scoperta di farmaci di proprietà esclusiva e condotti in collaborazione con partner.
L’azienda afferma inoltre che Enchant può trasferire informazioni tra endpoint correlati, per esempio usando misurazioni in vitro meno costose per aiutare a prevedere proprietà in vivo più costose, oppure ricorrendo a informazioni precliniche per stimare caratteristiche cliniche.
Nuove previsioni per molecole, omici e peptidi
Iambic afferma che Enchant v3 introduce la progettazione inversa, previsioni basate su dati omici, previsioni basate su immagini e il supporto ai peptidi. Queste capacità ampliano il modello oltre la previsione delle proprietà delle tradizionali 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.
Iambic riferisce che la precisione delle previsioni è migliorata con la crescita dei modelli Enchant. Il confronto dell’azienda tra le tre generazioni mostra un miglioramento delle prestazioni, parallelamente all’aumento delle dimensioni, su una serie di endpoint preclinici e clinici.
IAM-C1 e IAM217 forniscono i casi di prova per la scoperta di farmaci
Iambic cita due programmi interni come esempi di utilizzo di Enchant insieme a esperimenti automatizzati di chimica e biologia. IAM-C1 è un inibitore selettivo duale di CDK2 e CDK4, progettato per inibire due vie correlate al cancro evitando chinasi strettamente correlate che potrebbero restringere la sua finestra terapeutica. L’azienda afferma che, secondo un’analisi KINOMEScan TREEspot, il candidato ha quattro bersagli off-target.
Il secondo esempio, IAM217, è un inibitore allosterico di KIF18A studiato per il carcinoma mammario triplo negativo, il carcinoma ovarico e altre indicazioni per tumori solidi. Iambic riferisce che, negli studi preclinici, IAM217 ha prodotto una regressione di circa il 90 per cento di tumori intracranici già sviluppati, mentre un comparatore presumibilmente in fase clinica non ha prodotto alcuna regressione. L’azienda afferma inoltre che IAM217 ha ottenuto un’inibizione della crescita tumorale comparabile con esposizioni plasmatiche totali e non legate inferiori rispetto allo standard di cura e ha mostrato un profilo pulito di interazioni tra farmaci, compatibile con una somministrazione orale una volta al giorno.
Questi risultati sono dati preclinici riferiti dall’azienda, non prove di un beneficio clinico. Iambic afferma che IAM-C1 e IAM217 stanno procedendo verso la presentazione delle domande di autorizzazione alla sperimentazione clinica, ma saranno comunque necessari dati clinici sull’uomo per stabilire se i programmi daranno i risultati attesi.
Implementazione di Enchant nella ricerca sui farmaci
Iambic afferma di voler implementare Enchant v3 nelle proprie attività interne e in quelle condotte con partner per la scoperta di farmaci. L’azienda prevede che il modello aiuti a verificare più ipotesi, a prevedere endpoint preclinici e clinici e a dare la priorità ai composti potenziali da sottoporre a esperimenti di laboratorio.
Per ora, le prove pubbliche consistono nei confronti tra modelli riferiti da Iambic, nella descrizione della piattaforma e negli esempi preclinici. L’azienda afferma che la prova definitiva arriverà dai dati clinici sull’uomo, man mano che i suoi programmi avanzeranno verso la sperimentazione clinica.