La biologia è la fondazione della medicina, della farmacia, della salute pubblica e della ricerca sulla longevità. È anche, per sua natura, straordinariamente difficile da trattare. I sistemi viventi sono complessi, gli esperimenti sono costosi e gli interventi comportano rischi reali. Una prospettiva pubblicata su Nature Medicine propone un modo per cambiare quell’equazione: costruire un organismo digitale guidato dall’IA, un sistema computazionale capace di modellare e simulare la biologia a ogni scala, dalle singole molecole agli esseri umani interi.
Questo non è l’annuncio di un prodotto. È una visione di ricerca, e capire cosa propone, e perché è importante, richiede di fare un passo indietro rispetto al titolo sensazionalistico.
La biologia è troppo complessa per essere manomessa liberamente
Il problema centrale che gli autori identificano è chiaro. Nel mondo fisico, i sistemi biologici resistono a una facile manipolazione. Eseguire esperimenti su cellule, tessuti o organismi viventi richiede tempo, denaro e comporta vincoli etici e di sicurezza. Questo limita la velocità con cui i ricercatori possono testare ipotesi, esplorare candidati farmaci o comprendere i meccanismi delle malattie.
La soluzione proposta è un concetto chiamato organismo digitale guidato dall’IA, o AIDO (AI-driven digital organism). L’idea è costruire un sistema di foundation models integrati e multiscala, architetture di IA addestrate su dati biologici a diversi livelli di organizzazione, e connetterli in modo modulare e olistico che rifletta il modo in cui la biologia funziona realmente. Le molecole interagiscono con le cellule. Le cellule formano i tessuti. I tessuti costituiscono gli individui. Un AIDO modellerebbe tutti questi strati e, cosa fondamentale, modellerebbe come si connettono.
La visione è una piattaforma sicura, economica e capace di simulazione ad alto rendimento. I ricercatori potrebbero eseguire migliaia di esperimenti virtuali che sarebbero imprevedibili o impossibili in un laboratorio umido, per poi usare quei risultati per guidare gli esperimenti fisici che vengono effettivamente eseguiti.
Foundation Models, applicati alla vita stessa
La spina dorsale tecnica di questa visione attinge a una classe di architettura di IA che ha già trasformato l’elaborazione del linguaggio naturale e la visione artificiale: i foundation models. Si tratta di grandi modelli pre-addestrati su vasti dataset, capaci di essere adattati a molti compiti successivi. Gli autori indicano una serie di lavori esistenti che applicano questo approccio ai dati biologici.
Esistono già diversi modelli per specifici domini biologici. Strumenti come Nucleotide Transformer e HyenaDNA affrontano le sequenze genomiche. Evo estende la modellazione delle sequenze dalla scala molecolare a quella del genoma. Sul lato delle proteine, AlphaFold e AlphaFold 3, sviluppati dai ricercatori di DeepMind e pubblicati su Nature, hanno dimostrato una predizione altamente accurata delle strutture proteiche e delle interazioni biomolecolari. Modelli come xTrimoPGLM, un transformer da 100 miliardi di parametri, sono stati sviluppati specificamente per decodificare il linguaggio delle proteine. A livello cellulare, strumenti come scGPT e scLong puntano alla transcriptomica a singola cellula, con scLong descritto come un modello da un miliardo di parametri progettato per catturare il contesto genico a lungo raggio.
Ciò che la visione dell’AIDO propone non è costruire un ulteriore modello specializzato, ma integrare questi strati in un sistema coerente e connesso. Gli autori lo descrivono come modulare e collegabile, il che significa che i singoli componenti possono essere sviluppati e migliorati indipendentemente, ma sono progettati per comunicare tra loro. Questo riflette un’intuizione chiave: la biologia non opera in strati isolati, e una simulazione utile della biologia non può farlo neanche.
Il gruppo di ricerca dietro questa prospettiva è affiliato a GenBio AI, con sede a Palo Alto, e include i ricercatori Le Song, Eran Segal ed Eric Xing.
Cosa significare simulare un sistema vivente
Ecco cosa manca alla maggior parte della copertura sull’IA nella biologia. L’ambizione qui non è automatizzare gli esperimenti esistenti. È creare un tipo completamente nuovo di strumento scientifico, uno che opera in silico piuttosto che in un laboratorio, e che può essere interrogato, programmato ed esplorato in modi che la biologia fisica non consente.
Gli autori descrivono l’AIDO come una piattaforma per predire, simulare e programmare la biologia. Quell’ultima parola è significativa. Programmare implica non solo comprendere un sistema, ma essere in grado di specificare i comportamenti desiderati e risalire a ritroso agli interventi che li produrrebbero. Nella scoperta di farmaci, questo potrebbe significare progettare molecole con proprietà target. In medicina, potrebbe significare modellare come la biologia di un paziente specifico potrebbe rispondere a un trattamento prima che quel trattamento venga somministrato.
Gli autori fanno attenzione a inquadrare tutto ciò come complementare alla sperimentazione fisica, non come una sua sostituzione. La visione è che un AIDO innescherebbe un lavoro di laboratorio guidato in modo migliore e un ragionamento informato migliore partendo dai principi primi. I ricercatori userebbero il sistema digitale per restringere lo spazio delle possibilità, per poi testare i candidati più promettenti nel mondo reale.
Questo è importante oltre il laboratorio. Se la simulazione biologica diventa affidabile e accessibile, cambia l’economia dello sviluppo dei farmaci, la velocità della risposta di salute pubblica e la profondità di comprensione che i ricercatori possono portare alle malattie complesse.
In breve
Un organismo digitale guidato dall’IA è un sistema proposto di modelli di IA interconnessi, ognuno addestrato su un diverso strato di dati biologici, progettato per simulare la vita dalle molecole agli individui interi. L’obiettivo non è sostituire la biologia fisica, ma creare una piattaforma computazionale in cui le ipotesi possano essere testate in modo sicuro, economico e su scala, rendendo gli esperimenti fisici più mirati e con maggiori probabilità di successo. I blocchi di costruzione, i foundation models per la genomica, le proteine e le singole cellule, esistono già. La sfida ora è l’integrazione.
Basato su un articolo di Nature: Machine Learning.