Sono passati soltanto sei anni da quando AlphFold 2 ha sconvolto e rivoluzionato il mondo della biologia molecolare, anche se sembra passata un’era. Nell’ormai “lontano” 2020, Google Deep Mind, con il suo sistema capace di prevedere la struttura molecolare delle proteine con una precisione atomica ha fatto parlare molti di una svolta epocale.
Indice degli argomenti
L’eredità di una rivoluzione scientifica
Entrati nel 2026, possiamo guardare indietro e capire se quelle promesse erano solamente frutto di puro entusiasmo oppure se portavano dietro qualcosa di veramente rivoluzionario.
Uno dei padri di AlphaFold, John Jumper, vincitore anche del Nobel per la chimica nel 2024, si dice sorpreso da come i vari ricercatori abbiano subito scaricato il software e iniziato ad utilizzarlo “Normalmente sono le versioni successive, dopo che i problemi sono stati risolti, ad avere un impatto reale,” dice. “Invece gli scienziati lo hanno usato in modo responsabile fin da subito, né troppo fidandosene né troppo poco.”
Applicazioni oltre ogni aspettativa
Con un briciolo di sarcasmo, Jumper racconta di un gruppo di ricerca che ha utilizzato AlphaFold per studiare la resistenza nelle api da miele “Non avrei mai detto che AlphaFold sarebbe stato usato per la scienza delle api”. Il software ha previsto le strutture di circa 200 milioni di proteine, praticamente tutte quelle conosciute nella scienza, ma il vero impatto significativo non sta tanto nei numeri, quanto nelle applicazioni inaspettate.
E poi ci sono gli usi che vanno oltre lo scopo originale del software. David Baker, che ha condiviso il Nobel con Jumper e Hassabis, ha sviluppato il proprio strumento chiamato RoseTTAFold basandosi sulle intuizioni di AlphaFold. Ma ha anche sperimentato con AlphaFold Multimer per capire quali dei suoi progetti di proteine sintetiche potrebbero funzionare. La regola è semplice: se AlphaFold approva la struttura con sicurezza, la costruisci in laboratorio. Altrimenti, meglio lasciar perdere. Questo approccio ha reso il processo di design dieci volte più veloce.
Un altro esempio interessante riguarda la fertilizzazione umana. Due gruppi di ricerca separati stavano cercando di capire esattamente come gli spermatozoi si attaccano agli ovuli. Conoscevano una delle proteine coinvolte, ma non l’altra. Così hanno preso una proteina nota dell’ovulo e hanno testato tutte le 2.000 proteine di superficie degli spermatozoi umani.
AlphaFold ne ha identificata una che, secondo il modello, si attaccava perfettamente. E aveva ragione. “Non faresti mai 2.000 strutture cercando una singola risposta,” dice Jumper. “Questo tipo di cose è davvero straordinario.”
Limiti e potenzialità nella pratica quotidiana
Lontana dall’essere perfetta, eppure una tecnologia incredibilmente utile, questo afferma Kliment Verba, un biologo molecolare dell’Università della California a San Francisco, che abitualmente utilizza il software AlphaFold.
Il problema principale riguarda le interazioni tra proteine multiple o tra proteine e molecole più piccole nel corpo. AlphaFold è meno preciso in questi casi. E poi c’è la questione della fiducia. “È un po’ come ChatGPT,” spiega Verba. “Ti racconta frottole con la stessa sicurezza con cui ti darebbe una risposta vera.”
Nonostante questo, il team di Verba usa AlphaFold per eseguire versioni virtuali dei loro esperimenti prima di farli in laboratorio. Questo permette di restringere il campo o decidere che un esperimento non vale la pena. “Non ha davvero sostituito nessun esperimento, ma li ha migliorati parecchio,” dice.
AlphaFold 3 e il salto tecnologico
Rilasciato nel maggio del 2024, la versione 3 di AlphaFold ha fatto un ulteriore passo in avanti, non limitandosi più a prevedere le strutture proteiche, ma modellando come tutte le molecole della vita interagiscono tra di loro: proteine, DNA, RNA e persino piccole molecole farmaceutiche. Non cambiano solamente le capacità ma anche la completa architettura, invece del sistema Evoformer di AlphaFold 2, la terza versione usa un modulo di diffusione, la stessa tecnologia alla base dei generatori di immagini AI come DALL-E.
I risultati sono impressionanti. Nel benchmark PoseBusters, che misura quanto bene una molecola farmaceutica si lega al suo bersaglio, AlphaFold 3 ha raggiunto un tasso di successo del 76%, un miglioramento del 50% rispetto agli strumenti tradizionali basati sulla fisica. Per le interazioni tra proteine e acidi nucleici, l’accuratezza è raddoppiata rispetto ai tool specializzati precedenti.
L’ecosistema competitivo emergente
Il vero sviluppo, in questo contesto, è che stanno nascendo aziende e elaboratori di natura universitarie che si costruiscono sulla base di questi successi. Nel 2025, una collaborazione tra ricercatori del MIT e la società AI Recursion ha prodotto Boltz-2, che prevede non solo la struttura delle proteine ma anche quanto bene potenziali molecole farmaceutiche si legheranno al loro bersaglio.
A dicembre, la startup Genesis Molecular AI ha rilasciato Pearl, un modello che l’azienda sostiene essere più accurato di AlphaFold 3 per alcune domande importanti nello sviluppo di farmaci. Pearl è interattivo, così gli sviluppatori di farmaci possono inserire dati aggiuntivi per guidare le previsioni del modello.
“AlphaFold è stato un salto enorme, ma c’è ancora molto da fare,” dice Evan Feinberg, CEO di Genesis Molecular AI. “Stiamo ancora fondamentalmente innovando, solo con un punto di partenza migliore rispetto a prima.”
La sfida della precisione atomica
Genesis Molecular AI sta cercando di ridurre i margini di errore da meno di due angstrom, lo standard de facto del settore stabilito da AlphaFold, a meno di un angstrom: un decimilionesimo di millimetro, o la larghezza di un singolo atomo di idrogeno. “Piccoli errori possono essere catastrofici per prevedere quanto bene un farmaco si legherà effettivamente al suo bersaglio,” spiega Michael LeVine, vicepresidente di modellazione e simulazione presso l’azienda.
Dai laboratori ai trial clinici
Se c’è un momento in cui l’hype deve trasformarsi in realtà, è quando i farmaci progettati dall’AI devono essere testati sugli esseri umani. E quel momento è arrivato.
Isomorphic Labs, la società nata da DeepMind nel 2021, si sta preparando a lanciare le prime sperimentazioni cliniche umane di farmaci progettati interamente con l’intelligenza artificiale. “Ci sono persone sedute nel nostro ufficio a King’s Cross, Londra, che stanno lavorando e collaborando con l’AI per progettare farmaci contro il cancro,” ha detto Colin Murdoch, presidente di Isomorphic Labs, in un’intervista a Fortune. “Sta succedendo proprio ora.”
Investimenti e tempistiche realistiche
Ad aprile 2025, Isomorphic Labs ha raccolto 600 milioni di dollari nel suo primo round di finanziamento esterno, guidato da Thrive Capital. L’azienda ha anche accordi con giganti farmaceutici come Novartis ed Eli Lilly per un valore combinato di quasi 3 miliardi di dollari. Demis Hassabis, fondatore di Isomorphic e CEO di Google DeepMind, ha dichiarato al World Economic Forum di Davos di sperare di avere alcuni farmaci progettati dall’AI in trial clinici entro la fine dell’anno.
Ma Jumper è pragmatico riguardo alle tempistiche. La previsione della struttura proteica è solo un passo tra molti, dice. “Questo non era l’unico problema in biologia. Non è che eravamo a una struttura proteica di distanza dal curare qualsiasi malattia.”
Pensatela così, dice: se prima trovare la struttura di una proteina costava 100.000 dollari in laboratorio, “se fossimo a soli centomila dollari dal fare qualcosa, l’avremmo già fatto.” Allo stesso tempo, i ricercatori stanno cercando modi per fare il più possibile con questa tecnologia. “Stiamo cercando di capire come rendere la previsione della struttura una parte ancora più grande del problema,” spiega Jumper, “perché abbiamo un bel martello grosso per colpirlo.”
L’integrazione con i modelli linguistici
Qual è il prossimo passo di Jumper? Vuole fondere il potere profondo ma ristretto di AlphaFold con l’ampiezza dei modelli linguistici di grandi dimensioni. “Abbiamo macchine che possono leggere la scienza. Possono fare del ragionamento scientifico,” dice. “E possiamo costruire sistemi incredibili, sovrumani, per la previsione della struttura delle proteine. Come si fa a far lavorare insieme queste due tecnologie?”
Questo ricorda AlphaEvolve, un sistema in costruzione presso un altro team di Google DeepMind. AlphaEvolve usa un LLM per generare possibili soluzioni a un problema e un secondo modello per controllarle, filtrando la spazzatura. I ricercatori hanno già usato AlphaEvolve per fare una manciata di scoperte pratiche in matematica e informatica.
“Non dirò troppo sui metodi, ma sarei scioccato se non vedessimo sempre più impatto degli LLM sulla scienza,” dice Jumper. “Penso che questa sia l’entusiasmante domanda aperta di cui non dirò quasi nulla. Questo è tutto speculazione, ovviamente.”
Le frontiere ancora da conquistare
Nonostante i progressi straordinari, ci sono ancora ostacoli significativi da superare. Le proteine non sono oggetti statici: si muovono, vibrano, cambiano forma in risposta al loro ambiente. AlphaFold 3 fornisce un’istantanea 3D di una molecola, ma la prossima frontiera è il “film in 4D” – prevedere come le proteine si muovono nel tempo.
Questo è cruciale per colpire proteine “non farmacabili” che rivelano siti di legame solo durante movimenti specifici. Gli esperti prevedono che l’integrazione di AlphaFold 3 con la dinamica molecolare basata sulla fisica sarà la tendenza di ricerca dominante del prossimo anno.
Un’altra sfida riguarda le proteine intrinsecamente disordinate e i sistemi che cambiano conformazione. AlphaFold fatica ancora a prevedere conformazioni alternative o transizioni dinamiche perché si basa troppo su strutture statiche presenti nei dataset di addestramento. E poi ci sono le interazioni tra patogeni e ospiti, le risposte immunitarie, le regioni disordinate: tutte aree dove la precisione è ancora limitata.
La trasformazione del settore farmaceutico
Le visioni a cui facciamo fronte fa riferimento ad un cambiamento fondamentale nel modello di business dell’industria farmaceutica, aprendo le porte allo “screening virtuale” su scala massiccia. Il vantaggio strategico, quindi, si sposta da chi possiede più dati di laboratorio a chi possiede i modelli più predittivi e sofisticati.
Chiaramente questa innovazione porta ad una impennata della domanda di infrastrutture basate e specializzate sull’intelligenza artificiale, che possono vantare su una grande potenza di calcolo. NVIDIA ha posizionato la sua piattaforma BioNeMo come ecosistema rivale, offrendo strumenti basati su cloud come GenMol per lo screening virtuale e la generazione molecolare. Microsoft ha ritagliato una nicchia con EvoDiff, un modello capace di generare proteine con “regioni disordinate” che modelli basati sulla struttura come AlphaFold faticano a definire.
Anche Meta, protagonista nel mondo dell’intelligenza artificiale, continua a lasciare il segno attraverso EvolutionaryScale, una startup fondata da ex ricercatori di Meta che ha rilasciato ESM3 a metà 2024: un modello generativo che può “creare” proteine completamente nuove da zero, come marcatori fluorescenti non presenti in natura.
Oltre il Nobel: prospettive future
Jumper aveva 39 anni quando ha vinto il Premio Nobel. Cosa c’è dopo per lui? “Mi preoccupa,” dice. “Credo di essere il più giovane vincitore del premio Nobel per la Chimica in 75 anni.”
Aggiunge: “Sono più o meno a metà della mia carriera. Suppongo che il mio approccio sia di provare a fare cose più piccole, piccole idee che continui a tirare. La prossima cosa che annuncio non deve essere, sai, il mio secondo tentativo per un Nobel. Penso che quella sia la trappola.”
È un’ammissione rinfrescante in un campo dove l’hype spesso supera la sostanza. AlphaFold non ha risolto tutti i problemi della biologia, ma ha certamente aperto nuove porte. Ha trasformato quello che era un processo che richiedeva mesi o anni in qualcosa che può essere fatto in ore. Ha permesso esperimenti che prima erano impensabili. E sta costruendo le fondamenta per la prossima generazione di scoperte scientifiche.
Alla fine, forse questo è il vero successo di AlphaFold: non ha risolto la biologia, ma ha cambiato il modo in cui facciamo domande. E in scienza, fare le domande giuste è spesso più importante che avere tutte le risposte.
