1. Il predittore APP: uno strumento AI per anticipare l’efficacia antifungina

Può un’intelligenza artificiale prevedere quanto un fungicida sarà efficace contro i patogeni ancora prima di sintetizzarlo in laboratorio? La risposta arriva da AgPlenus, che ha appena reso operativo un modello di machine learning capace di farlo. Si tratta dell'Antifungal Potency Predictor (APP), uno strumento che promette di ridefinire i tempi e i costi della ricerca nel settore della protezione delle colture.

AgPlenus, società controllata dal gruppo Evogene (quotata a NASDAQ e TASE con il ticker EVGN), ha utilizzato questa nuova tecnologia per colmare un gap critico nella scoperta di principi attivi. Il 16 luglio 2026 AgPlenus, controllata di Evogene, ha annunciato il lancio dell’Antifungal Potency Predictor (APP), un modello di machine learning che prevede la potenza antifungina di una molecola direttamente dalla sua struttura chimica, prima della sintesi e dei saggi biologici. L'APP non opera in isolamento, ma estende le capacità della piattaforma ChemPass AI for Ag sviluppata dalla casa madre. Questo sviluppo si inserisce in un contesto economico e agronomico complesso: il mercato globale dei fungicidi genera un fatturato stimato attorno ai 22 miliardi di dollari annui, a fronte di perdite agricole causate da malattie fungine che si calcolano nell'ordine delle decine di miliardi. Inoltre, l'inesorabile sviluppo di resistenza ai fungicidi esistenti da parte dei patogeni rende urgente la scoperta di nuove molecole dotate di meccanismi d'azione innovativi.

2. Come funziona il modello e quali vantaggi introduce

Il funzionamento del modello APP si basa su algoritmi di machine learning addestrati su dataset proprietari e curati internamente da AgPlenus. Se le capacità preesistenti di ChemPass AI permettono già di identificare target proteici specifici e di generare molecole con un'elevata affinità, l'APP compie un passo ulteriore: prevede la performance della molecola una volta che questa si trova all'interno del fungo.

Il Dr. Dan J. Gelvan, CEO di AgPlenus, ha sottolineato come il modello APP consenta di prevedere l’efficacia antifungina direttamente dalla struttura molecolare, prima della sintesi chimica, permettendo di identificare e dare priorità ai candidati di alta qualità già nelle fasi iniziali della scoperta. Dal punto di vista operativo, il vantaggio introdotto è tangibile: si riduce in modo drastico il numero di molecole che devono essere sottoposte a valutazione sperimentale. Le risorse di laboratorio vengono così concentrate esclusivamente sui candidati che presentano le probabilità di successo più elevate, accelerando il processo di scoperta e ottimizzando i budget di ricerca.

3. Ricadute sulla pipeline fungicida e sulle prossime molecole

L'impatto immediato di questo predittore si misurerà sulla pipeline di ricerca interna di AgPlenus, confermando la validità dell'approccio computazionale applicato a problemi biologici complessi. AgPlenus prevede che il modello APP supporterà il programma APTF-1 contro la septoriosi del grano (Septoria wheat blotch) e guiderà l’espansione della pipeline verso patogeni come Botrytis e Fusarium.

L'applicazione del modello a questi specifici patogeni dimostra la versatilità dello strumento. Affrontare malattie che colpiscono colture di vasto interesse commerciale, come il grano o la vite, richiede soluzioni rapide, soprattutto considerando che la resistenza incrociata ai principi attivi tradizionali sta limitando le opzioni a disposizione degli agricoltori. Avere a disposizione un filtro predittivo così avanzato significa poter esplorare spazi chimici più ampi per trovare nuovi modi d'azione, superando i limiti dei composti attualmente in uso.

4. Prospettive: co-sviluppo di nuovi modelli AI con Evogene

Il lancio dell'APP non rappresenta un punto di arrivo, ma la fondazione per un ecosistema di strumenti analitici ancora più vasto. AgPlenus ed Evogene hanno annunciato l’intenzione di co-sviluppare ulteriori modelli di intelligenza artificiale predittiva per anticipare altre proprietà biologiche chiave nel processo di scoperta di agrofarmaci.

Questa collaborazione strategica mira a integrare progressivamente nuove variabili biologiche e ambientali nei modelli predittivi, consolidando la piattaforma ChemPass AI for Ag come un ambiente di lavoro integrato e in continua evoluzione per la progettazione della prossima generazione di prodotti fitosanitari.

Domande frequenti

Che cos’è l’Antifungal Potency Predictor (APP) di AgPlenus?

L'APP è un modello di machine learning sviluppato da AgPlenus che analizza la struttura chimica delle piccole molecole per prevederne l'efficacia antifungina. Fa parte della piattaforma ChemPass AI for Ag e permette di valutare il potenziale di un composto prima ancora che venga sintetizzato e testato in laboratorio.

Quali vantaggi offre il predittore rispetto agli approcci tradizionali nella ricerca di fungicidi?

Il principale vantaggio risiede nell'ottimizzazione delle risorse. Prevedendo quali molecole avranno la migliore performance all'interno del fungo, i ricercatori possono ridurre drasticamente il numero di sintesi chimiche e di test biologici necessari, concentrando tempo e investimenti solo sui candidati più promettenti.

Su quali patogeni e malattie si sta già lavorando con il supporto dell’APP?

Attualmente, il modello viene utilizzato per supportare lo sviluppo di APTF-1, un candidato specifico per il contrasto alla septoriosi del grano (Septoria wheat blotch). In futuro, l'applicazione dell'APP verrà estesa alla ricerca di nuove molecole efficaci contro patogeni quali Botrytis e Fusarium.

L’APP è un prodotto a sé stante o fa parte di una piattaforma più grande?

L'APP è un modulo integrante della piattaforma ChemPass AI for Ag di Evogene. Inoltre, AgPlenus ed Evogene stanno collaborando per co-sviluppare ulteriori modelli predittivi che andranno ad arricchire questa piattaforma, ampliando la capacità di anticipare diverse proprietà biologiche degli agrofarmaci.