Un gruppo di ricercatori della Stanford University guidato da James Zou sta sviluppando sistemi multi-agente nei quali migliaia di agenti di intelligenza artificiale collaborano attraverso strutture organizzative simili a quelle utilizzate nei laboratori scientifici e nelle aziende farmaceutiche. Il progetto più recente, Virtual Biotech, supera il modello nel quale un singolo sviluppatore interagisce con un unico agente e distribuisce il lavoro tra decine di migliaia di sistemi specializzati, coordinati da agenti con funzioni direttive e organizzati in divisioni dedicate alle diverse fasi della ricerca terapeutica. L’obiettivo non consiste semplicemente nell’aumentare il numero di modelli utilizzati contemporaneamente, ma nel costruire un’infrastruttura che permetta agli agenti di condividere dati, discutere risultati, specializzarsi e contribuire a un processo scientifico comune.
Virtual Biotech deriva dal precedente Virtual Lab sviluppato dal gruppo di Zou, un laboratorio digitale formato inizialmente da cinque a otto agenti e modellato sull’organizzazione di un vero gruppo accademico. Il sistema comprendeva un agente con il ruolo di principal investigator e diversi ricercatori AI con competenze specifiche, ai quali venivano assegnati problemi scientifici aperti e strumenti adeguati per affrontarli. Gli agenti partecipavano a riunioni di gruppo, proponevano strategie, criticavano le ipotesi degli altri componenti del team e sviluppavano autonomamente parti differenti del progetto. Era stata prevista anche una struttura dedicata al miglioramento delle competenze degli agenti, assimilabile a una scuola virtuale nella quale i singoli sistemi potevano ricevere ulteriore addestramento supervisionato nei rispettivi domini.
Una delle prime dimostrazioni del Virtual Lab ha riguardato la progettazione di nuovi nanocorpi contro varianti recenti di SARS-CoV-2. Il sistema ha costruito autonomamente una pipeline computazionale che combinava diversi strumenti per la modellazione e la progettazione delle proteine, producendo 92 nuovi nanocorpi candidati. I progetti sono stati successivamente sintetizzati e verificati in laboratorio e alcuni hanno mostrato profili di legame particolarmente promettenti; due nanocorpi hanno ottenuto un legame migliore con le varianti JN.1 o KP.3 rispetto alle soluzioni precedenti, mantenendo contemporaneamente una forte capacità di legarsi alla proteina spike del ceppo ancestrale. La sperimentazione ha quindi fornito una prima verifica concreta della possibilità di utilizzare gruppi di agenti AI non soltanto per analizzare letteratura o generare ipotesi, ma per progettare strutture biologiche sottoponibili successivamente a validazione sperimentale.
Virtual Biotech estende questa architettura dalla dimensione di un laboratorio a quella di un’organizzazione farmaceutica completa. Al vertice si trova un agente Chief Scientific Officer, incaricato di ricevere un problema scientifico, distribuirlo tra le unità appropriate e integrare i risultati prodotti dai gruppi specializzati. Sotto il CSO operano divisioni che riproducono alcune delle principali funzioni presenti nelle aziende biotecnologiche, comprendendo identificazione dei bersagli terapeutici, progettazione delle molecole, valutazione della sicurezza e analisi delle sperimentazioni cliniche. La specializzazione continua all’interno delle singole divisioni: nell’area dedicata ai target, per esempio, agenti distinti possono occuparsi di genetica, genomica funzionale, dati single-cell, pathway biologici o altre fonti di evidenza necessarie per valutare un possibile bersaglio farmacologico.
La scelta di distribuire il problema tra numerosi agenti non deriva soltanto dalla necessità di parallelizzare il lavoro. Nei confronti effettuati dal gruppo di Stanford, i sistemi multi-agente hanno mostrato un comportamento differente rispetto a un singolo agente incaricato di risolvere lo stesso problema, perché la presenza di specialisti distinti introduce discussione, verifica reciproca e possibilità di mettere in discussione le conclusioni prodotte nelle fasi precedenti. Gli agenti possono proporre interpretazioni contrastanti, richiedere ulteriori evidenze e cercare di convincere gli altri componenti del gruppo attraverso dati e ragionamenti; questa interazione riduce il rischio che un errore iniziale venga semplicemente ereditato da tutte le fasi successive e permette di esplorare più strategie prima di raggiungere una conclusione condivisa.
La crescita da pochi agenti a decine di migliaia sposta però il principale problema tecnico dal singolo modello all’orchestrazione. Un sistema di queste dimensioni deve permettere a migliaia di componenti specializzati di consultare fonti differenti, mantenere il contesto delle attività già svolte, recuperare informazioni prodotte da altri agenti e utilizzare in maniera coerente database, documenti scientifici e strumenti computazionali. La disponibilità di modelli linguistici più potenti non elimina questo problema, perché gran parte dell’infrastruttura scientifica esistente è stata progettata per ricercatori umani o per software deterministico e non per agenti capaci di esplorare autonomamente grandi quantità di informazioni.
L’aggiunta di un livello basato su Model Context Protocol può facilitare l’accesso di un agente a database e API esistenti, ma non modifica automaticamente la struttura delle informazioni sottostanti. Un database con interfacce progettate per operatori umani può continuare a essere poco efficiente per un sistema agentico anche dopo l’esposizione attraverso MCP, mentre documenti come PDF scientifici contengono spesso figure, tabelle, didascalie, riferimenti e strutture complesse che non vengono rappresentate in maniera ottimale semplicemente inserendo l’intero documento nella finestra di contesto di un modello. Con migliaia di agenti che devono interrogare contemporaneamente queste risorse, inefficienze di questo tipo si moltiplicano rapidamente in termini di latenza, costi e possibilità di errore.
Per affrontare il problema, il gruppo di Zou ha sviluppato Paperclip, un’infrastruttura progettata per trasformare fonti scientifiche eterogenee in una struttura maggiormente utilizzabile dagli agenti. L’approccio sfrutta una capacità ormai consolidata dei moderni modelli linguistici, cioè la possibilità di scrivere codice, utilizzare strumenti e navigare attraverso file system. Paperclip converte dati non strutturati e risorse provenienti da database differenti in un file system virtuale unificato, permettendo agli agenti di raggiungere le informazioni attraverso operazioni relativamente standardizzate anziché costringerli a conoscere e utilizzare separatamente le API e le convenzioni proprie di ogni archivio scientifico.
Un file system di questo tipo costituisce un livello intermedio tra gli agenti e le fonti originarie. Milioni di documenti possono essere organizzati in una struttura sulla quale gli agenti effettuano ricerca, lettura e analisi utilizzando modalità simili a quelle già apprese durante l’addestramento per la programmazione e la gestione dei file. Nei test descritti dal gruppo di Stanford, l’infrastruttura ha consentito di aumentare la precisione delle operazioni e di ridurre di oltre un ordine di grandezza tempi e costi rispetto all’utilizzo di agenti privi di una struttura scientifica progettata specificamente per l’AI. Il risultato evidenzia quanto, nei sistemi agentici di grandi dimensioni, le prestazioni dipendano dall’organizzazione del contesto almeno quanto dalle capacità del modello linguistico utilizzato.
Virtual Biotech ha applicato questa architettura all’analisi delle sperimentazioni cliniche utilizzando più di 37.000 agenti specializzati. Il sistema ha raccolto e strutturato risultati provenienti da 55.984 trial clinici e li ha collegati a informazioni biologiche provenienti da differenti livelli di analisi, compresi dati genetici, genomici e single-cell. Gli agenti hanno identificato caratteristiche dei target farmacologici associate alla probabilità di successo clinico; tra i risultati riportati nel lavoro, i farmaci indirizzati verso geni con specificità per particolari tipi cellulari presentavano una probabilità superiore del 40% di avanzare dalla fase I alla fase II e una probabilità superiore del 48% di raggiungere il mercato, insieme a un tasso di eventi avversi inferiore del 32%.
Il sistema è stato inoltre utilizzato per valutare B7-H3, proteina codificata dal gene CD276, come possibile bersaglio nel carcinoma polmonare. Gli agenti hanno integrato evidenze provenienti dalla genetica statistica, dall’analisi single-cell, dalla trascrittomica spaziale e dai dati clinicogenomici, arrivando a proporre una strategia terapeutica basata su un coniugato anticorpo-farmaco. L’analisi non si è limitata a indicare il target, ma ha considerato anche possibili criticità del bersaglio e opportunità di differenziazione della terapia, mostrando il tipo di attività end-to-end che l’architettura intende automatizzare: raccogliere evidenze distribuite tra molte fonti, valutarle attraverso specialisti differenti e trasformarle in una proposta terapeutica coerente.
Un terzo caso riguarda una sperimentazione interrotta per la colite ulcerosa basata sul bersaglio OSMRβ. Virtual Biotech ha ricostruito le evidenze disponibili per individuare possibili cause del fallimento dello studio e ha proposto una strategia di selezione dei pazienti basata su biomarcatori, con l’obiettivo di identificare sottogruppi che avrebbero potuto rispondere diversamente al trattamento. Anche in questo caso il ruolo del sistema non consiste nella semplice produzione di una risposta da parte di un modello, ma nell’esecuzione coordinata di analisi che normalmente richiederebbero competenze distribuite tra genetisti, biologi computazionali, specialisti di trial clinici e ricercatori impegnati nello sviluppo farmacologico.
La struttura multi-agente modifica anche il modo in cui deve essere progettato il software che governa questi sistemi. Un workflow tradizionale stabilisce in anticipo una successione relativamente rigida di operazioni: il primo agente svolge un’attività, il risultato viene trasferito al secondo e il processo continua secondo uno schema definito dagli sviluppatori. Virtual Biotech utilizza invece un’impostazione più vicina a un ambiente operativo, nel quale agli agenti vengono forniti strumenti, dati, regole, ruoli e obiettivi, lasciando però maggiore libertà nella definizione delle azioni necessarie per raggiungere il risultato. La collaborazione può quindi comprendere deleghe, revisioni, discussioni e iterazioni che non devono essere completamente codificate in anticipo.
Questa differenza sposta anche l’oggetto dell’ottimizzazione. Nei sistemi composti da pochi agenti è possibile concentrare una parte importante del lavoro sul miglioramento del singolo modello attraverso fine-tuning, reinforcement learning o prompt più efficaci; quando il numero degli agenti raggiunge le migliaia, diventano altrettanto importanti le regole con cui comunicano, la struttura gerarchica, il modo in cui recuperano il contesto, i criteri utilizzati per distribuire i task e i meccanismi attraverso i quali vengono valutate o contestate le conclusioni degli altri componenti. Il comportamento complessivo emerge quindi dall’ambiente nel quale gli agenti operano e l’ottimizzazione riguarda sempre più l’ecosistema che li collega.
Virtual Biotech rappresenta così un passaggio dalla costruzione di assistenti individuali alla progettazione di organizzazioni digitali formate da specialisti AI. La ricerca farmaceutica costituisce un ambiente particolarmente adatto a sperimentare questo modello perché richiede l’integrazione di quantità molto elevate di dati, competenze fortemente specializzate e verifiche successive tra discipline differenti; la stessa architettura mette però in evidenza requisiti applicabili più in generale ai sistemi multi-agente di grandi dimensioni. La disponibilità di migliaia di agenti diventa utile soltanto quando esistono un livello di orchestrazione capace di coordinarli, dati organizzati in una forma utilizzabile direttamente dall’AI e un ambiente nel quale collaborazione e controllo degli errori possano crescere insieme al numero dei componenti.