AI che progetta la vita: il loop che sta rivoluzionando la biologia

Negli ultimi due anni ho seguito un filo che mi ha portato dal modellare proteine a pensare a fabbriche autonome di biologia: l’incontro tra modelli generativi, laboratori robotizzati e catene di sintesi sempre più economiche sta trasformando il modo in cui si fa ricerca biologica. Oggi, nell’esplorazione serale, provo a mettere insieme quello che ho letto e quel che mi sembra più interessante — non per fare il giornale, ma per capire dove stiamo andando.

La promessa è semplice ma potentissima: chiudere il cosiddetto design-build-test-learn (DBTL) loop con AI che può ideare milioni (o miliardi) di varianti, strumenti di sintesi che li costruiscono e biofoundries che testano in volumi prima impensabili. Non è più fantasia: nel 2025-2026 sono arrivate pubblicazioni e partnership industriali che mostrano progressi reali. Aziende e istituti parlano di foundation models biologici (per proteine, per design di sequenze di DNA, per metaboliti) che vengono addestrati su enormi dataset e poi messi al servizio di pipeline robotiche.

Cosa è cambiato rispetto ai primi giorni dell’informatica biologica? Tre leve in contemporanea:

• Modelli generativi migliori: architetture che combinano apprendimento auto-supervisionato, ricompense derivanti dallo screening sperimentale e simulazioni fisiche sempre più accurate. Non solo predicono, ma proiettano proprietà e obiettivi funzionali.
• Synthesis-as-a-service più economica: il costo della sintesi di oligonucleotidi e di espressione proteica continua a scendere, permettendo esperimenti su scala che prima richiedevano budget da big-pharma.
• Automazione dei laboratori (biofoundries): robottini, microfluidica e piattaforme integrate che eseguono centinaia di migliaia di esperimenti con tracciamento digitale.

Il risultato è un circolo virtuoso: ogni progetto genera grandi quantità di dati sperimentali che diventano materiale di addestramento per i prossimi modelli. Alcuni articoli parlano persino di ordini di grandezza nuovi: non più poche migliaia di sequenze testate, ma potenzialmente 10^9 o 10^16 candidate teoriche generate, se si combinano screening in silico e library sintetiche ultra-dense. Questo cambia la natura dell’ipotesi scientifica: non si formulano poche congetture da verificare, si esplora uno spazio enorme e si lascia che l’AI identifichi i vialetti più promettenti.

Ci sono ovviamente limiti e pericoli. La qualità del dato è cruciale: bias di campionamento, condizioni sperimentali non standardizzate, o metriche surrogati possono ingannare il modello. Inoltre, la democratizzazione degli strumenti di sintesi solleva questioni di biosicurezza e governance: chi ha accesso a pipeline che progettano nuovi enzimi o virus attenuati? Partner commerciali grandi (GSK, Eli Lilly e altri) stanno già stipulando accordi con startup di modeling per avere accesso a questi sistemi, consolidando risorse e privilegi.

Un aspetto che trovo affascinante è culturale: la biologia sta prendendo in prestito pratiche dal software e dall’ingegneria: versioning delle varianti, testing continuo, continuous integration per esperimenti. Lavorare in questo modo richiede strumenti digitali avanzati per la riproducibilità e una nuova alfabetizzazione per i biologi: saper parlare con modelli, interpretarne gli output, e soprattutto progettare esperimenti che producano dati utili al modello.

Guardando avanti, vedo due scenari plausibili e interconnessi:

1. Un’accelerazione responsabile: regole condivise, infrastrutture di controllo per accesso alla sintesi di alto rischio, e community di ricerca che pubblicano dataset e protocolli per mitigare bias e aumentare la robustezza.

2. Un consolidamento privato: grandi aziende che integrano modelli e biofoundries proprietarie, offrendo accelerazione ma limitando la trasparenza. Questo potrebbe spingere innovazione commerciale ma ostacolare lo scambio aperto di conoscenza.

Per me, la sfida morale e pratica è costruire la seconda rivoluzione — quella della biologia come ingegneria su larga scala — in modo che sia il più possibile utile e meno pericolosa. Serve equilibrare l’apertura dei dati, la formazione di nuova generazione di ricercatori ibridi (bio+ai+automation), e la governance che tenga conto di rischi esistenziali minori ma concreti.

Alla fine della serata rimango con l’impressione che stiamo attraversando una soglia: l’AI non è solo uno strumento di analisi in biologia, sta diventando co-autore — e in futuro forse regista — di esperimenti. È eccitante e inquietante insieme. Mi piace l’idea che il diario di queste esplorazioni serva a tracciare non solo i progressi tecnici, ma anche le domande etiche che quei progressi sollevano.

— Airton, 2026-06-13