La ricerca di nuovi antimicrobici passa sempre più spesso anche dalla lettura automatizzata di enormi archivi biologici. Nel laboratorio guidato da César de la Fuente, ricercatore noto per il lavoro sui peptidi antimicrobici, Codex e ChatGPT vengono impiegati per rendere più rapido il percorso che porta dall’analisi di sequenze genetiche all’individuazione di molecole potenzialmente utili contro le infezioni resistenti ai farmaci.
L’obiettivo non è affidare a un modello linguistico la scoperta di un antibiotico pronto per l’uso. Il lavoro resta un processo sperimentale, fatto di ipotesi, analisi computazionale, sintesi delle molecole e test in laboratorio. L’AI viene collocata a monte di questa filiera: aiuta il gruppo a scrivere e modificare codice, organizzare analisi, interrogare dati biologici e ridurre il tempo necessario per selezionare sequenze che meritano verifiche successive.
La posta in gioco è concreta. La resistenza antimicrobica limita l’efficacia di medicinali che per decenni hanno sostenuto la medicina moderna, dalle terapie delle infezioni comuni agli interventi chirurgici fino ai trattamenti oncologici. Trovare composti con meccanismi d’azione nuovi o complementari è quindi una priorità della ricerca, ma la scoperta tradizionale richiede tempi lunghi e comporta un elevato tasso di fallimento.
Dai genomi a una lista di candidati
Il punto di partenza del laboratorio è l’idea che molte istruzioni molecolari utili possano essere già contenute nei dati disponibili in natura. Genomi di organismi contemporanei, ma anche sequenze ricostruite da campioni antichi, custodiscono proteine e frammenti proteici che non sono stati necessariamente studiati come possibili antimicrobici. I peptidi, catene relativamente corte di amminoacidi, sono uno dei terreni più promettenti: alcuni possono ostacolare batteri e altri microrganismi attraverso modalità diverse da quelle degli antibiotici convenzionali.
Il problema è la scala. Un genoma non è un catalogo pronto all’uso di farmaci: contiene una quantità sterminata di informazione e, anche quando si restringe l’attenzione a particolari famiglie di sequenze, occorre distinguere i candidati plausibili da quelli privi delle caratteristiche desiderate. Servono pipeline computazionali capaci di estrarre dati, applicare filtri, confrontare proprietà biologiche e produrre risultati che possano essere esaminati da ricercatori esperti.
In questo contesto Codex viene usato come supporto allo sviluppo software. Può assistere nella creazione, revisione e correzione degli script necessari a trattare dataset complessi, oltre a rendere più accessibili passaggi tecnici che altrimenti assorbirebbero una parte rilevante del lavoro. ChatGPT viene invece utilizzato come interlocutore per esplorare idee, dare struttura a un problema, facilitare l’interpretazione dei risultati e sostenere attività di ricerca e documentazione.
Non significa che il modello sostituisca la competenza in bioinformatica, microbiologia o chimica. Al contrario, la qualità dell’output dipende dalle domande poste, dai dati forniti, dai criteri scelti e dalla capacità del team di riconoscere errori o false piste. In una disciplina in cui una piccola variazione nella sequenza di un peptide può cambiare attività, tossicità o stabilità, il controllo umano resta parte integrante del metodo.
Anche i genomi estinti diventano una fonte di ipotesi
Uno degli aspetti più peculiari del lavoro descritto da de la Fuente è l’estensione della ricerca a genomi di organismi estinti. L’analisi di questo materiale permette di recuperare sequenze che non sono presenti, o non sono più facilmente osservabili, nei viventi attuali. È un approccio che amplia il perimetro della scoperta: invece di cercare soltanto nella biodiversità contemporanea, si possono formulare ipotesi a partire da un archivio biologico costruito nel corso dell’evoluzione.
Queste molecole non vengono però “riportate in vita” come farmaci in senso automatico. Dalla sequenza digitale alla possibile applicazione clinica esiste una distanza enorme. Un candidato identificato al computer deve anzitutto essere sintetizzato e valutato in esperimenti appropriati; deve mostrare attività contro i microrganismi di interesse, non danneggiare in modo inaccettabile le cellule dell’ospite, mantenere efficacia in condizioni realistiche e dimostrare caratteristiche farmacologiche compatibili con un eventuale sviluppo.
La ricerca su sequenze antiche va letta quindi come una strategia di esplorazione, non come la promessa di un rimedio immediato. Il valore sta nel far emergere spunti che i metodi basati solo sulle librerie chimiche o sui patogeni già noti potrebbero trascurare. È un cambio di prospettiva: il patrimonio genetico, presente e passato, diventa un insieme di dati da interrogare con strumenti in grado di trovare pattern a velocità molto più alta di una lettura manuale.
Velocità non equivale a validazione
L’uso di modelli generativi nella scienza viene spesso raccontato attraverso il tema dell’accelerazione. In questo caso l’accelerazione riguarda soprattutto il ciclo iniziale di lavoro: trasformare un’intuizione biologica in un’analisi riproducibile, iterare sul codice, ordinare i risultati e arrivare a una selezione più ristretta di molecole da testare. È un vantaggio importante, perché gli esperimenti costano tempo, materiali e competenze specialistiche.
Ma nessun assistente di coding o chatbot può risolvere da solo il problema centrale della scoperta farmacologica: dimostrare che una molecola funziona, è sicura e può essere prodotta e distribuita in modo sostenibile. I modelli possono generare codice inesatto, proporre interpretazioni fragili o riflettere lacune presenti nei dati e nella letteratura su cui si basano. Per questo ogni risultato deve essere verificato, documentato e sottoposto ai normali standard della ricerca scientifica.
Nel caso degli antimicrobici, inoltre, anche un composto attivo in laboratorio può non superare gli ostacoli che separano una prova preliminare da un trattamento. Entrano in gioco la selettività contro il bersaglio, la tossicità, la resistenza che i microrganismi potrebbero sviluppare, le modalità di somministrazione e gli studi clinici. L’AI può ridurre il numero di strade da percorrere alla cieca, non eliminare queste tappe.
Un uso operativo dell’AI nella biologia
L’esperienza del laboratorio di de la Fuente mostra un impiego meno spettacolare, ma più concreto, dei sistemi generativi nella ricerca: non una macchina che annuncia una scoperta al posto degli scienziati, bensì un livello aggiuntivo nell’infrastruttura del lavoro quotidiano. Scrivere codice per analizzare sequenze, modificare una pipeline, confrontare ipotesi e preparare una prima esplorazione di dataset sono attività in cui il tempo risparmiato può essere reinvestito nella progettazione sperimentale e nella verifica dei risultati.
Per OpenAI, il caso rappresenta anche un banco di prova per Codex fuori dal software commerciale. La programmazione scientifica è spesso frammentata, costruita attorno a strumenti specializzati e condotta da gruppi che devono alternare competenze biologiche e informatiche. Un assistente capace di intervenire sul codice può rendere più fluido questo passaggio, purché venga usato in ambienti in cui revisioni, versionamento e controlli siano parte del processo.
Il prossimo passaggio, per questa linea di ricerca, non sarà una risposta generata in chat ma il responso degli esperimenti. Le sequenze identificate dovranno essere confrontate con dati biologici misurabili e con i vincoli dello sviluppo di un farmaco. Se una quota dei candidati supererà questi filtri, il contributo dell’AI sarà stato quello più utile: non promettere scorciatoie cliniche, ma rendere più ampia e ordinata la ricerca di molecole che la biologia ha già immaginato.
