Per anni la medicina personalizzata è stata immaginata come la possibilità di scegliere il farmaco giusto per il paziente giusto. Oggi quella promessa sta cambiando forma. Non si tratta più soltanto di leggere il genoma, misurare un biomarcatore o classificare un tumore in base a una mutazione.
La frontiera più ambiziosa è costruire una copia computazionale, dinamica e interrogabile della biologia: una cellula virtuale, un tessuto virtuale, un organo virtuale, fino al paziente computazionale. Prima di somministrare una terapia, prima di entrare in sala operatoria, prima di avviare un trial clinico costoso e rischioso, il medico e il ricercatore potrebbero domandare al modello: che cosa accade se blocco questo gene? Che cosa succede se aumento questa dose? Quale paziente risponderà e quale svilupperà un effetto collaterale?
Indice degli argomenti
Cellula virtuale e paziente computazionale: la nuova frontiera
La novità non è l’uso del computer in medicina, già diffuso da decenni, ma la possibilità di usare modelli fondazionali biologici capaci di apprendere regolarità profonde da enormi quantità di dati molecolari, cellulari, istologici e clinici. L’idea di “Virtual Cell” nasce da una constatazione semplice: la cellula è il livello minimo in cui la vita diventa decisione biologica. È nella cellula che un segnale infiammatorio viene tradotto in risposta immunitaria, che una mutazione può trasformarsi in proliferazione tumorale, che un farmaco incontra il proprio bersaglio, ma anche le vie collaterali da cui derivano tossicità e resistenza.
I nuovi modelli di cellula virtuale cercano di simulare stati funzionali, reti di segnalazione e cambiamenti dinamici della cellula quando viene perturbata da un farmaco, da una mutazione, da un knockout genetico o da una variazione dell’ambiente. Una review pubblicata su npj Digital Medicine descrive questi modelli come sistemi capaci di integrare dati multi-omici, come trascrittomica single-cell e proteomica, con reti neurali generative, graph neural networks e modelli vincolati dalla fisica, per predire risposta ai farmaci, effetti delle perturbazioni genetiche e progressione di malattia. Lo stesso lavoro sottolinea anche il punto critico: il passaggio dalla promessa preclinica alla pratica clinica richiede validazione sperimentale, interpretabilità, protezione dei dati e accettazione regolatoria.
I modelli fondazionali biologici applicati alla cellula
Il salto concettuale è simile a quello avvenuto nel linguaggio naturale. Un grande modello linguistico non conosce una frase perché l’ha memorizzata una per una, ma perché ha imparato relazioni statistiche e semantiche da miliardi di parole. Un modello fondazionale biologico tenta qualcosa di analogo con geni, proteine, cellule, tessuti e perturbazioni. In scGPT, per esempio, la cellula viene trattata in modo simile a un testo: i geni diventano unità informative, e il modello impara rappresentazioni utili per annotare tipi cellulari, integrare dati multi-omici, inferire reti geniche e prevedere risposte a perturbazioni.
Il lavoro pubblicato su Nature Methods ha addestrato scGPT su oltre 33 milioni di cellule single-cell, mostrando come l’apprendimento generativo possa estrarre informazioni biologiche trasferibili a diversi compiti. Il punto non è sostituire il biologo con una macchina, ma dare al biologo una mappa probabilistica di ciò che potrebbe accadere quando la cellula viene spinta fuori dal suo equilibrio.
Dalle perturbazioni cellulari alle risposte ai farmaci
La velocità con cui cresce questo approccio si capisce guardando a modelli come State, presentato dall’Arc Institute nel giugno 2025. State è progettato per prevedere come cellule staminali, cellule tumorali e cellule immunitarie rispondono a farmaci, citochine e perturbazioni genetiche. Secondo l’Arc Institute, è stato addestrato su dati osservazionali di quasi 170 milioni di cellule e su dati perturbazionali di oltre 100 milioni di cellule, includendo circa 70 linee cellulari. L’utente fornisce un trascrittoma di partenza e una perturbazione; il modello prova a predire lo spostamento dello stato cellulare, cioè come cambierà l’espressione genica dopo l’intervento simulato. È un passaggio importante perché avvicina la biologia computazionale a una domanda clinicamente decisiva: non soltanto “com’è fatta questa cellula?”, ma “come cambierà se la trattiamo?”.
Dal singolo modello cellulare al contesto dei tessuti
Accanto ai modelli cellulari, si stanno sviluppando modelli che portano l’attenzione dallo spazio molecolare a quello dei tessuti. La biologia non è fatta di cellule isolate in un vuoto astratto. Una cellula tumorale, un fibroblasto, un linfocita o un neurone cambiano comportamento in base ai vicini, alla matrice extracellulare, all’ossigeno, ai gradienti chimici, al microambiente. Per questo i modelli fondazionali più recenti cercano di integrare single-cell e spatial omics.
Nicheformer, pubblicato su Nature Methods nel 2025, è stato preaddestrato su un corpus di oltre 110 milioni di cellule provenienti da dati single-cell e trascrittomica spaziale, con l’obiettivo di imparare rappresentazioni che includano il contesto spaziale dei tessuti. Gli autori osservano che i risultati sono promettenti, ma che la replicabilità indipendente e il benchmarking restano essenziali, perché un modello può apparire potente su alcuni test e fallire quando incontra dati nuovi, rumorosi o clinicamente diversi.
AlphaFold 3 e il tassello della biologia strutturale
Alla base di questa nuova medicina simulativa c’è anche la rivoluzione della biologia strutturale. AlphaFold 3 ha esteso la predizione computazionale dalle singole proteine a complessi che includono proteine, acidi nucleici, piccole molecole, ioni e residui modificati. L’articolo pubblicato su Nature nel 2024 sostiene che un unico framework di deep learning può modellare con alta accuratezza una parte molto ampia dello spazio biomolecolare, migliorando molte predizioni rispetto a strumenti specializzati. Questo non equivale ancora a simulare una cellula intera, ma fornisce un tassello fondamentale: se vogliamo prevedere gli effetti di un farmaco o di una mutazione, dobbiamo sapere come le molecole interagiscono, come si legano, come cambiano forma e come queste interazioni si propagano verso reti cellulari più ampie.
Il paziente computazionale come digital twin dinamico
La cellula virtuale, tuttavia, è solo il primo gradino. Il paziente computazionale, spesso chiamato anche digital twin, è un modello dinamico che integra dati clinici, immagini diagnostiche, parametri fisiologici, omiche, sensori indossabili, cartelle elettroniche e storia individuale. Una review del 2025 sui digital twins in sanità descrive questi sistemi come repliche virtuali capaci di sostenere medicina personalizzata, monitoraggio in tempo reale e sperimentazione senza rischio diretto per il paziente, permettendo di confrontare scenari terapeutici prima dell’intervento reale.
L’espressione “paziente computazionale” va però maneggiata con prudenza: non è una copia perfetta della persona, non contiene tutta la complessità biologica, psicologica e sociale dell’individuo. È piuttosto un modello aggiornabile, calibrato su dati disponibili, utile finché rimane verificabile, trasparente nei margini di incertezza e integrato nel giudizio clinico.
L’esempio dei gemelli digitali cardiaci
Un esempio concreto di questa traiettoria viene dalla cardiologia. Nel 2026 il New England Journal of Medicine ha pubblicato uno studio di fattibilità su dieci pazienti con tachicardia ventricolare in cui gemelli digitali cardiaci sono stati usati per guidare l’ablazione. Secondo il report, dopo la procedura la tachicardia ventricolare non era inducibile nei pazienti trattati nello studio di fattibilità. L’Associated Press, raccontando il lavoro della Johns Hopkins University, ha spiegato che la Food and Drug Administration ha autorizzato l’uso della tecnologia in quel piccolo studio, ma che serviranno studi molto più ampi per confermare sicurezza, efficacia e generalizzabilità. Questo è forse il modo più corretto di raccontare il paziente computazionale: non una bacchetta magica, ma un nuovo strumento di previsione clinica che deve guadagnarsi fiducia con prove robuste.
Le applicazioni possibili nella medicina personalizzata
Il vantaggio potenziale è enorme. In oncologia, un tumore potrebbe essere modellato non solo in base alla mutazione principale, ma come ecosistema composto da cellule neoplastiche, cellule immunitarie, vasi, fibroblasti, necrosi, ipossia e pressione selettiva dei farmaci. In farmacologia, una terapia potrebbe essere testata prima su cellule virtuali derivate dal profilo biologico del paziente, poi su organoidi reali, poi su un gemello digitale più complesso che tenga conto di metabolismo, comorbidità e farmaci concomitanti. Nelle malattie rare, dove i trial tradizionali sono ostacolati dal numero ridotto di pazienti, modelli simulati potrebbero aiutare a selezionare bersagli, dosi e criteri di inclusione. Nella terapia intensiva, un paziente computazionale aggiornato in tempo reale potrebbe stimare il rischio di peggioramento prima che diventi clinicamente evidente. In chirurgia, potrebbe simulare traiettorie operative e conseguenze emodinamiche, riducendo l’improvvisazione nei casi complessi.
I limiti biologici dei modelli simulativi
Ma proprio perché la posta in gioco è alta, occorre evitare un entusiasmo ingenuo. La biologia non è un linguaggio naturale con regole grammaticali relativamente stabili; è un sistema evolutivo, rumoroso, ridondante, dipendente dal contesto. Due cellule con trascrittomi simili possono comportarsi diversamente se immerse in microambienti diversi. Due pazienti con la stessa diagnosi possono rispondere in modo opposto per differenze genetiche, immunologiche, metaboliche o sociali. Inoltre, i dati biologici sono spesso incompleti, costosi, sbilanciati verso popolazioni più studiate, prodotti con tecnologie diverse e affetti da batch effect. Un modello addestrato su molte cellule non è automaticamente un modello vero della vita; può imparare correlazioni forti ma biologicamente ingannevoli, o fallire proprio nei casi rari, cioè quelli più importanti per la medicina di precisione.
Dati, responsabilità e fiducia nella medicina aumentata
La questione etica è altrettanto decisiva. Un paziente computazionale richiede dati intimi: genoma, immagini, cartella clinica, farmaci, abitudini, forse dati continui da dispositivi indossabili. Chi controlla questi dati? Chi certifica il modello? Chi è responsabile se la simulazione suggerisce un trattamento sbagliato? Come si comunica al paziente che una decisione terapeutica è stata influenzata da una previsione probabilistica? E come si impedisce che modelli addestrati su dati non rappresentativi amplifichino disuguaglianze già presenti nella medicina? La cellula virtuale e il gemello digitale non eliminano il problema della fiducia: lo spostano dal rapporto medico-paziente a una catena più lunga, fatta di laboratori, ospedali, aziende tecnologiche, cloud, regolatori e algoritmi.
La strada più credibile non è quella di una medicina automatizzata, ma di una medicina aumentata. Il medico resta il decisore responsabile, il paziente resta il soggetto della cura, il modello diventa uno spazio di prova. La medicina ha sempre imparato per tentativi, ma spesso quei tentativi avvenivano direttamente sul corpo del paziente. La promessa dei modelli fondazionali biologici è spostare una parte di questa sperimentazione in un ambiente computazionale, dove ipotesi sbagliate possono essere scartate prima, combinazioni terapeutiche possono essere esplorate più rapidamente e rischi inattesi possono emergere con maggiore anticipo. La cura reale continuerà ad avere bisogno di evidenza clinica, consenso informato, esperienza e prudenza. Ma il laboratorio del futuro potrebbe avere una nuova sequenza: prima la simulazione molecolare, poi la cellula virtuale, poi l’organoide, poi il paziente computazionale, infine l’intervento clinico.
Dalla medicina reattiva alla previsione individuale
Se questa traiettoria si consoliderà, la domanda medica cambierà radicalmente. Non chiederemo soltanto quale malattia abbia un paziente, ma quale traiettoria biologica stia seguendo; non soltanto quale farmaco funzioni in media, ma quale perturbazione riporti il suo sistema verso uno stato più stabile; non soltanto se una procedura sia tecnicamente possibile, ma quale risposta individuale sia prevedibile prima di compierla. La Virtual Cell e il paziente computazionale rappresentano dunque due lati della stessa trasformazione: dal corpo osservato al corpo simulato, dalla statistica di popolazione alla previsione individuale, dalla medicina che reagisce alla malattia alla medicina che prova ad anticiparla. La sfida sarà dimostrare che questi modelli non sono soltanto impressionanti dal punto di vista computazionale, ma utili, sicuri, equi e clinicamente responsabili.
Partecipa alla community