L'intelligenza artificiale sta ridefinendo il confine tra scoperta e applicazione tecnologica. Mentre i laboratori di tutto il mondo integrano sistemi di machine learning nei loro protocolli sperimentali, emerge un interrogativo cruciale: quale impatto reale stanno avendo questi strumenti sulla velocità e sulla qualità delle scoperte scientifiche? La risposta arriva da una delle più straordinarie applicazioni dell'AI alla biologia molecolare, un sistema chiamato AlphaFold che ha rivoluzionato la predizione della struttura proteica, valendo ai suoi creatori il Nobel per la Chimica nel 2024.
John Jumper, chimico teorico formatosi con un dottorato di ricerca, ha scommesso la sua carriera su questo progetto nel 2017, quando ancora era poco più di una voce di corridoio all'interno di Google DeepMind. L'azienda, fino ad allora nota per i suoi sistemi capaci di battere campioni umani in giochi complessi come Go e scacchi, aveva deciso di affrontare uno dei problemi più ostici della biochimica: determinare la forma tridimensionale delle proteine partendo dalla sequenza lineare degli amminoacidi che le compongono. Si trattava di un enigma che per decenni aveva richiesto mesi di lavoro in laboratorio, utilizzando tecniche costose come la cristallografia a raggi X o la risonanza magnetica nucleare.
La svolta è arrivata nel 2020 con AlphaFold 2, sviluppato sotto la guida di Jumper e del CEO Demis Hassabis. Il sistema è riuscito a predire le strutture proteiche con una precisione atomica, raggiungendo risultati comparabili a quelli ottenuti sperimentalmente in laboratorio ma con una differenza sostanziale: ciò che richiedeva mesi di analisi veniva completato in poche ore. La precisione raggiunta era dell'ordine dell'ampiezza di un singolo atomo, un livello di accuratezza che ha sorpreso l'intera comunità scientifica internazionale.
Oggi, a distanza di anni dalla sua introduzione e dopo che l'entusiasmo mediatico si è attenuato, resta da comprendere quale sia l'impatto concreto di AlphaFold sulla ricerca biologica e farmaceutica. I ricercatori stanno utilizzando il sistema per accelerare lo sviluppo di nuovi farmaci, per comprendere meglio i meccanismi delle malattie e per esplorare le interazioni molecolari alla base dei processi cellulari. La disponibilità di modelli strutturali accurati per centinaia di migliaia di proteine ha aperto prospettive inedite nella progettazione razionale di molecole terapeutiche e nella comprensione dei meccanismi evolutivi.
Parallelamente, l'integrazione dell'intelligenza artificiale nella ricerca scientifica sta assumendo forme sempre più pervasive. Una recente direttiva governativa negli Stati Uniti, denominata "Genesis Mission", mira ad accelerare l'adozione di sistemi di AI nelle agenzie scientifiche federali, con l'obiettivo dichiarato di incrementare il tasso di scoperte rivoluzionarie. L'ordine esecutivo richiede agli enti di ricerca governativi di implementare aggressivamente strumenti di intelligenza artificiale nei loro processi, dall'analisi dei dati sperimentali alla formulazione di ipotesi scientifiche.
Sul fronte dello sviluppo di nuovi sistemi di AI, Anthropic ha annunciato Claude Opus 4.5, un modello specificamente ottimizzato per la generazione e l'analisi di codice informatico. Secondo i test interni condotti dall'azienda, il sistema avrebbe superato candidati umani in valutazioni di ingegneria del software, sebbene la comunità scientifica attenda verifiche indipendenti per confermare queste affermazioni. La capacità di AI sempre più sofisticate di scrivere, testare e correggere codice sta trasformando il lavoro degli sviluppatori, che potrebbero progressivamente assumere un ruolo più simile a quello di revisori e supervisori piuttosto che di autori diretti del codice.
Questa accelerazione tecnologica non è priva di conseguenze ambientali. In India, il boom dei data center necessari per addestrare e far funzionare i modelli di intelligenza artificiale sta mantenendo alta la dipendenza dal carbone, con ripercussioni drammatiche sulla qualità dell'aria in metropoli come Mumbai e Nuova Delhi. La contraddizione è evidente: mentre l'AI promette di ottimizzare i consumi energetici e accelerare la transizione ecologica, la sua stessa infrastruttura richiede enormi quantità di energia, spesso prodotta da fonti fossili.
Nel campo della medicina, emergono nuove evidenze sui farmaci per la perdita di peso basati su agonisti del recettore GLP-1, come la semaglutide. Studi recenti suggeriscono che l'utilizzo di questi farmaci durante la gravidanza possa essere associato a un rischio aumentato di parto prematuro, evidenziando la necessità di ulteriori ricerche sulla sicurezza di questi composti in popolazioni vulnerabili. Nel frattempo, un trial clinico sulla versione orale della semaglutide non ha mostrato efficacia nel rallentare la progressione dell'Alzheimer, delimitando i confini delle applicazioni terapeutiche di questa classe di farmaci.
Tornando ad AlphaFold e al suo futuro, Jumper e il suo team stanno lavorando per estendere le capacità del sistema oltre le singole proteine, verso la predizione di complessi macromolecolari e l'interazione tra proteine e altre biomolecole come DNA, RNA e piccole molecole farmacologiche. Le prossime generazioni del sistema potrebbero includere la capacità di simulare dinamiche molecolari, prevedendo non solo la struttura statica delle proteine ma anche i loro movimenti e cambiamenti conformazionali nel tempo. Questa evoluzione rappresenterebbe un ulteriore salto qualitativo nella comprensione dei processi biologici a livello molecolare, aprendo la strada a terapie più mirate e alla progettazione di enzimi artificiali per applicazioni biotecnologiche e industriali.