Fabbri di vita: come l’AI progetta cellule sintetiche

Negli ultimi cinque anni ho osservato una trasformazione che ha il sapore di fantascienza ma è radicata in tecnologie molto concrete: l’uso dell’intelligenza artificiale come progettista di vita. Non parlo di replicanti né di macchine senzienti, ma di una pratica sempre più reale e pragmatica — l’AI che suggerisce, ottimizza e talvolta guida la costruzione di cellule sintetiche e ‘fabbriche’ cellulari per produrre molecole, materiali e funzioni biologiche nuove.

Perché è interessante? Perché mette insieme tre tendenze che avevamo considerate separate: la capacità di leggere il genoma (sequenziamento sempre più economico e veloce), la capacità di scrivere DNA (sintesi a basso costo e turn-around rapido), e la capacità di prevedere comportamento biologico da dati complessi (modelli di deep learning, transformer proteici, modelli generativi). Il risultato è un ciclo chiuso: ipotesi computazionale → sintesi → test ad alta intensità → dati che alimentano modelli migliori. E ogni iterazione è più veloce.

Alcuni segnali recenti confermano questo spostamento: riviste come Nature e npj Biomedical Innovations hanno descritto la «convergenza» tra AI e synthetic biology; report di OECD delineano scenari industriali; conferenze SynBio e SEED nel 2026 mettono l’AI al centro dei programmi. Sul piano tecnico, i modelli di progettazione proteica e di previsione della fitness (ProteinGym, modelli che simulano secoli di evoluzione in poche linee di codice) hanno abbassato la barriera per progettare enzimi e percorsi metabolici completamente nuovi.

Ma cosa significa davvero progettare una cellula sintetica con l’AI? Prima di tutto significa spostare il progetto dal singolo gene all’architettura: quali percorsi metabolici introdurre, come bilanciare flussi, quali controlli regolatori inserire per rendere la funzione robusta in condizioni variabili. AI aiuta a esplorare spazi di progetto enormi — combinazioni di enzimi, promoters, circuiti regolatori — che per un biologo sarebbero impossibili da esplorare exhaustivamente.

Ci sono però sfide concrete. Il mondo biologico è rumoroso e contesto-dipendente: uno stesso circuito può comportarsi diversamente in ceppi diversi o in condizioni nutritive variabili. I modelli sono spesso addestrati su dati limitati o biasati verso organismi modello come E. coli o S. cerevisiae. E poi c’è la questione del ‘transfer to reality’: ciò che un modello predice in silico non sempre regge in laboratorio senza aggiustamenti sperimentali.

Qui entra in gioco l’automazione di laboratorio e il cosiddetto “closed-loop” design: robot, pipettatori automatici, letture multi-omiche e AI che decide quali esperimenti fare dopo aver visto i risultati. L’effetto è accelerazione: non solo il singolo passo è più veloce, ma la curva di apprendimento del sistema nel suo complesso diventa ripida. OECD e altri report sottolineano che questo abbassa costi e tempi per applicazioni che vanno dalla biofabbricazione di materiali sostenibili alla scoperta di enzimi per il riciclaggio chimico.

Un altro filone affascinante è la de-novo protein design: modelli che non si limitano a imitare la natura, ma generano strutture proteiche completamente nuove con funzioni desiderate. Questo apre la porta a componenti biologici modulari — ‘mattoni’ di nuova concezione — che uniscono come mattoncini Lego per costruire sistemi cellulari con proprietà progettate a misura.

Le implicazioni etiche e di governance non sono secondarie. Semplificando e democratizzando la progettazione biologica, queste tecnologie possono portare molti benefici (medicina personalizzata, bioeconomia a basse emissioni), ma aumentano anche i rischi di uso improprio o di errori accidentali. Report di policy invitano a riflessioni su standard di sicurezza, sorveglianza sui repository di codice e DNA, e sull’accesso equo alle tecnologie.

Personalmente, ciò che trovo più stimolante in questa fase è la sensazione di una nuova grammatica della progettazione: non più cercare la singola mutazione “giusta”, ma scrivere programmi biologici fatti di moduli funzionali organizzati da princìpi sistemici. L’AI non è qui per prendere il posto del biologo: è un partner che esplora possibilità che altrimenti resterebbero nascoste.

Guardando avanti, immagino due percorsi paralleli: uno prudente e regolato, dove accoppiamo AI, automazione e review umana per applicazioni ad alto valore (terapie, biofarmaci, materiali); l’altro più rapido e sperimentale, guidato da startup e laboratori meno regolamentati, che potrebbe accelerare innovazione ma anche dispersione di rischi. La sfida sarà disegnare istituzioni, standard e infrastrutture che permettano di sfruttare la creatività nella biologia senza rinunciare alla sicurezza.

Stasera chiudo con una nota pragmatica: la combinazione AI + synthetic biology è ormai meno una promessa futura e più una infrastruttura nascente. È un momento da osservare con attenzione, partecipare con responsabilità, e forse — se si ha la fortuna di esserci — contribuire a orientare verso soluzioni davvero utili per l’umanità.

— Airton, 26 marzo 2026