Per anni abbiamo raccontato l’intelligenza artificiale come una tecnologia capace di riconoscere ciò che esiste già: immagini, parole, strutture, correlazioni. Anche nella biologia, uno dei risultati più importanti dell’ultimo decennio è stato riuscire a prevedere la forma tridimensionale di una proteina partendo dalla sua sequenza.
Ora la direzione comincia a invertirsi.
Non chiediamo più soltanto all’AI di dirci quale forma avrà una proteina. Le descriviamo la funzione che vogliamo ottenere, le interazioni chimiche necessarie e la posizione di alcuni atomi fondamentali, e le chiediamo di progettare una nuova struttura molecolare capace di svolgere quel compito.
È il salto mostrato da RFdiffusion3, un modello generativo sviluppato dall’Institute for Protein Design dell’Università di Washington e dal gruppo di David Baker. Il software era già stato reso disponibile in modalità open source alla fine del 2025, ma la novità più importante è arrivata il 15 ottobre 2026 con la pubblicazione su Science della sua validazione sperimentale.
Il punto, infatti, non è che il computer abbia disegnato molecole plausibili sullo schermo. Alcune delle proteine progettate sono state prodotte, portate in laboratorio e hanno funzionato come enzimi.
Le proteine sono macchine molecolari. La loro funzione dipende dalla forma tridimensionale e, soprattutto nel caso degli enzimi, dal posizionamento estremamente preciso di alcuni atomi.
Un enzima può accelerare una reazione perché nel suo sito attivo dispone gruppi chimici, molecole e talvolta ioni metallici nella geometria necessaria per rompere o formare determinati legami. Spostare un elemento anche di poco può ridurre drasticamente l’attività o eliminarla del tutto.
I precedenti strumenti di progettazione proteica lavoravano spesso attraverso rappresentazioni semplificate. Erano molto efficaci nel generare strutture generali o proteine capaci di legarsi a un bersaglio, ma incontravano maggiori difficoltà quando il problema richiedeva di coordinare contemporaneamente molti vincoli atomici.
RFdiffusion3 affronta il problema a un livello più profondo. Tratta gli atomi come unità fondamentali e utilizza un processo di diffusione: parte da una configurazione iniziale disordinata e la trasforma progressivamente in una struttura compatibile con i vincoli indicati dai ricercatori.
In termini semplificati, non gli viene chiesto di copiare una proteina esistente. Gli viene indicato quali interazioni chimiche devono essere possibili e il modello costruisce attorno a esse una biomolecola completamente nuova.
È una differenza sostanziale. La natura ha esplorato lo spazio delle proteine attraverso miliardi di anni di evoluzione. Un modello generativo può esplorare regioni di quello stesso spazio che l’evoluzione non ha necessariamente attraversato, perché ottimizza una struttura rispetto a un obiettivo definito dall’uomo.
Nello studio pubblicato su Science, il gruppo ha messo alla prova RFdiffusion3 su due problemi particolarmente complessi.
Il primo riguardava la progettazione di fosfotriesterasi, enzimi con un sito attivo articolato che include una lisina modificata e due ioni metallici. Il secondo riguardava proteasi allo zinco progettate per riconoscere in modo specifico la transtiretina, una proteina coinvolta in alcune malattie caratterizzate da depositi amiloidi.
Per ciascun problema sono stati progettati e sottoposti a test 96 costrutti. In entrambi i casi i ricercatori hanno ottenuto catalizzatori attivi in una campagna “zero-shot”: i primi progetti sono stati generati senza utilizzare una precedente serie di risultati sperimentali per correggere progressivamente il modello su quel compito specifico.
Non significa che tutti i progetti abbiano funzionato, né che gli enzimi siano già pronti per diventare farmaci o prodotti industriali. Significa però che l’AI è riuscita a passare direttamente da un insieme di vincoli atomici a molecole nuove, alcune delle quali hanno dimostrato in laboratorio la funzione desiderata.
È questo il risultato che cambia la natura della notizia. Una struttura digitale può essere elegante ma biologicamente inutile. Un catalizzatore attivo è invece una prima dimostrazione che la progettazione generativa è riuscita ad attraversare il confine tra simulazione e materia.
Sarebbe facile raccontare questa ricerca come l’arrivo di un’AI capace di creare autonomamente la vita. Sarebbe anche sbagliato.
Gli obiettivi sono stati scelti da scienziati. I vincoli chimici, i bersagli e i metodi di valutazione sono stati definiti da ricercatori esperti. Il modello è inserito in una pipeline che comprende altri strumenti di progettazione e previsione, produzione delle proteine, purificazione e test sperimentali.
La conoscenza tacita del laboratorio rimane decisiva. Bisogna capire quale problema affrontare, come tradurlo in vincoli corretti, quali candidati produrre e come interpretare i risultati. RFdiffusion3 non sostituisce questo processo: ne comprime e ne accelera una delle fasi più difficili, quella della generazione di strutture candidate.
La differenza può sembrare sottile, ma è essenziale. Non siamo davanti a una macchina che decide autonomamente che cosa inventare. Siamo davanti a un nuovo strumento di progettazione capace di ampliare enormemente ciò che un gruppo di ricerca può provare a costruire.
La ricerca farmaceutica e biotecnologica ha tradizionalmente lavorato soprattutto per scoperta. Si osservano molecole naturali, si analizzano grandi librerie di composti, si identificano candidati promettenti e li si modifica attraverso cicli successivi di esperimenti.
L’AI generativa introduce una logica diversa: partire dalla funzione e progettare la struttura.
Se questa capacità continuerà a migliorare, potremo immaginare enzimi costruiti per degradare specifici inquinanti, catalizzare processi industriali con minore consumo energetico, riconoscere marcatori biologici o intervenire su bersagli terapeutici oggi difficili da trattare. Sono possibilità, non risultati già acquisiti, ma la direzione tecnologica è chiara.
Per le imprese questo significa che la biologia sta assumendo alcune caratteristiche dell’ingegneria digitale. Non perché gli esperimenti fisici scompaiano, ma perché una quota crescente del lavoro può essere anticipata in silico: generare alternative, scartare rapidamente le configurazioni meno promettenti e arrivare al laboratorio con una selezione più mirata.
Il vantaggio competitivo non dipenderà quindi soltanto dall’accesso a un buon modello. Dipenderà dalla capacità di collegare quattro elementi:
- competenze scientifiche in grado di formulare il problema corretto;
- dati sperimentali affidabili;
- infrastrutture computazionali per generare e valutare i candidati;
- laboratori capaci di produrre rapidamente evidenze reali e reinserirle nel ciclo di progettazione.
Come accade in molti altri settori, il modello da solo non è il processo. Il valore nasce dall’integrazione tra tecnologia, persone, dati e organizzazione.
RFdiffusion3 è stato pubblicato con codice di addestramento e pesi disponibili attraverso Rosetta Commons Foundry. La scelta consente a laboratori di tutto il mondo di utilizzare, verificare e adattare il sistema senza dipendere esclusivamente da una piattaforma proprietaria.
È un acceleratore importante per la ricerca aperta: gruppi più piccoli possono accedere a strumenti che fino a pochi anni fa avrebbero richiesto infrastrutture e competenze fuori scala. Allo stesso tempo, la diffusione di strumenti sempre più potenti rende centrale il tema del duplice uso.
La stessa capacità di progettare proteine che interagiscono con DNA, piccole molecole o bersagli biologici può essere utilizzata per obiettivi molto diversi. Non serve trasformare ogni progresso in un allarme, ma sarebbe ingenuo considerare questi sistemi come software privo di conseguenze fisiche.
Servono quindi criteri di accesso proporzionati al rischio, tracciabilità degli esperimenti, screening dei progetti, revisione indipendente e collaborazione tra sviluppatori di modelli, laboratori, esperti di biosicurezza e autorità. La governance non può iniziare quando un prodotto arriva sul mercato: deve accompagnare l’intera pipeline, dalla generazione digitale alla validazione biologica.
RFdiffusion3 non ha cancellato il laboratorio e non ha trasformato la biologia in puro software. Ha però dimostrato qualcosa di altrettanto importante: un sistema generativo può progettare nuove architetture molecolari rispettando vincoli atomici complessi e produrre candidati che funzionano nel mondo reale.
Per decenni l’informatica ha trasformato attività, organizzazioni e mercati rendendo programmabile l’informazione. Ora l’intelligenza artificiale sta iniziando ad applicare una logica simile alla materia biologica.
Non stiamo ancora “scrivendo la vita” con la stessa facilità con cui scriviamo codice. Ma abbiamo iniziato a costruire strumenti che traducono un’intenzione funzionale in una struttura molecolare. E quando una tecnologia consente di passare dalla comprensione alla progettazione, il suo impatto non riguarda più soltanto la ricerca: riguarda il modo in cui organizzeremo l’innovazione, distribuiremo le capacità e governeremo ciò che diventa possibile creare.