AlphaFold: il momento in cui l'AI ha cambiato la scienza
Nel dicembre 2020, DeepMind ha presentato AlphaFold 2 alla Critical Assessment of Structure Prediction (CASP) — la competizione mondiale per la predizione della struttura delle proteine. Il risultato ha lasciato la comunità scientifica senza parole: AlphaFold ha predetto la struttura tridimensionale delle proteine con un'accuratezza paragonabile alla cristallografia a raggi X, il metodo sperimentale più preciso esistente.
Il problema del protein folding — come una catena di amminoacidi si piega nella sua struttura tridimensionale funzionale — era considerato uno dei grandi problemi irrisolti della biologia, inseguito per 50 anni. AlphaFold lo ha risolto in senso pratico in 18 mesi. Nel 2022, DeepMind ha rilasciato la struttura di 200 milioni di proteine — quasi tutte le proteine conosciute — in un database pubblico gratuito. Il numero di strutture proteiche disponibili per la ricerca è aumentato di 100 volte in un anno.
Il laboratorio robotico: la scienza che non dorme
Il Automation Lab di Cambridge e il Self-Driving Laboratory (SDL) dell'Università di Toronto rappresentano una nuova categoria di infrastruttura scientifica: laboratori dove robot eseguono esperimenti 24 ore su 24, 7 giorni su 7, guidati da AI che analizza i risultati e progetta l'esperimento successivo. Il robot chimico A-Lab di Berkeley ha sintetizzato 41 nuovi materiali in 17 giorni — un risultato che avrebbe richiesto mesi a un team umano.
Il processo è un loop autonomo: l'AI formula un'ipotesi basata sulla letteratura esistente, progetta l'esperimento ottimale per testarla, istruisce i robot ad eseguirlo, analizza i dati, aggiorna il modello e genera la prossima ipotesi. L'intervento umano è nella definizione degli obiettivi e nella validazione dei risultati anomali. La velocità di scoperta in chimica dei materiali, farmacologia e biologia molecolare è aumentata di 10-50x nei laboratori che usano questa architettura.
Nobel 2024: il premio Nobel per la Chimica 2024 è andato a David Baker, Demis Hassabis e John Jumper per il design computazionale delle proteine e AlphaFold. Per la prima volta, il Nobel riconosce esplicitamente il contributo dell'AI a una scoperta scientifica fondamentale.
AI che scrive paper scientifici: il problema dell'integrità
Un aspetto meno celebrato e più controverso: i modelli linguistici vengono usati per redigere sezioni di paper scientifici, sintetizzare letteratura, formulare le sezioni di discussione. Nature e Science hanno politiche che richiedono la dichiarazione dell'uso di AI nella stesura. PubMed ha identificato nei metadati dei paper migliaia di testi che contengono frasi caratteristiche di ChatGPT non dichiarate.
Il problema non è solo etico: i modelli AI possono allucinare referenze bibliografiche, citare studi inesistenti con DOI plausibili, produrre statistiche internamente coerenti ma false. Il peer review tradizionale non è attrezzato a rilevare queste falsificazioni sofisticate — e il numero di paper ritrattati per frode AI-assistita è in crescita esponenziale.
Drug discovery: dall'idea al candidato farmaco in settimane
Insilico Medicine ha sviluppato con AI un candidato farmaco per la fibrosi polmonare idiopatica in 18 mesi — contro i tipici 5-6 anni. Il candidato è entrato in fase I di sperimentazione clinica. Exscientia, Recursion Pharmaceuticals, Relay Therapeutics: un'intera industria è nata intorno all'AI per la drug discovery. Il modello è: AI progetta la molecola (basandosi su AlphaFold per la struttura del target e su modelli generativi per la molecola candidata), laboratorio robotico sintetizza e testa, AI analizza e itera.
I costi di sviluppo di un farmaco — tradizionalmente 1-2 miliardi di dollari — potrebbero ridursi del 30-50% con questi approcci, secondo stime di McKinsey. Il maggiore guadagno è nel tempo: portare un farmaco dal target alla sperimentazione clinica in 2-3 anni anziché 10-12 cambia completamente le dinamiche economiche della ricerca farmaceutica.
Cosa rimane al ricercatore umano
La domanda che ogni ricercatore si pone. La risposta onesta è che il ruolo si sta trasformando più che scomparendo. I task di routine — analisi dati standard, revisione della letteratura, sintesi di risultati noti — sono già ampiamente automatizzabili. I task che rimangono centralmente umani sono: formulazione delle domande giuste (cosa vale la pena studiare?), interpretazione di risultati anomali o controintuitivi, comunicazione scientifica verso policy maker e pubblico, e la responsabilità etica delle applicazioni della ricerca.
In Italia, i dottorati di ricerca stanno lentamente aggiornando i curriculum per includere competenze in bioinformatica, ML applicato alle scienze della vita e gestione di laboratori automatizzati. Chi entra nella ricerca oggi senza queste competenze si trova già in svantaggio competitivo nei bandi europei e nelle collaborazioni internazionali.