Una molecola può essere trattata dall’intelligenza artificiale come una parola dentro un linguaggio? È la domanda al centro della Perspective di Stefano Moro, docente del Dipartimento di Scienze del Farmaco dell’Università di Padova, pubblicata dal Journal of Chemical Information and Modeling dell’American Chemical Society e scelta per la copertina della rivista. Il punto non è affidare all’AI la scoperta autonoma dei medicinali, ma costruire rappresentazioni della chimica che permettano agli algoritmi di esplorare milioni di alternative e aiutare i ricercatori a individuare quelle con maggiore potenziale terapeutico.
Che cosa hanno in comune Dante Alighieri, Antoine-Laurent de Lavoisier e l’intelligenza artificiale?
Molto più di quanto suggerisca l’accostamento.
Dante cercò di dare struttura e dignità a una lingua che esisteva già nell’uso. Lavoisier, secoli dopo, contribuì a costruire una nomenclatura sistematica capace di descrivere la chimica attraverso regole condivise.
Oggi l’intelligenza artificiale sta compiendo un ulteriore passaggio: utilizza quelle rappresentazioni per trasformare enormi quantità di informazioni molecolari in spazi matematici che possono essere esplorati.
È questa la tesi sviluppata da Stefano Moro, docente al Dipartimento di Scienze del Farmaco dell’Università di Padova, nella Perspective The Chemical Imitation Game: Navigating Spaces of Meaning in Language and Chemistry, pubblicata sul Journal of Chemical Information and Modeling dell’American Chemical Society.
Il lavoro è stato scelto anche per la copertina della rivista scientifica. Ma dietro il suggestivo viaggio da Dante all’AI c’è una questione molto concreta per l’industria farmaceutica.
Come possiamo utilizzare le macchine per cercare molecole promettenti all’interno di uno spazio chimico troppo grande per essere esplorato dall’uomo?
Una molecola può diventare una frase per l’AI
Per comprendere il passaggio bisogna partire da un concetto apparentemente semplice. Un computer non vede una molecola come la vede un chimico.
Ha bisogno che quella struttura venga rappresentata matematicamente.
Nel corso della storia la chimica ha costruito strumenti sempre più sofisticati per farlo: dalla nomenclatura di Lavoisier alle formule strutturali, fino alle moderne stringhe SMILES, ai fingerprint molecolari, ai grafi e agli embedding utilizzati dall’intelligenza artificiale.
È proprio qui che Moro individua il parallelismo con il linguaggio. Anche una parola assume significato non soltanto per ciò che è, ma per le relazioni che possiede con le altre parole. Lo stesso può accadere con una molecola.
Trasformandola in una rappresentazione matematica, l’algoritmo può collocarla all’interno di uno spazio multidimensionale insieme a moltissime altre strutture e imparare quali siano più vicine o più lontane per determinate caratteristiche.
La chimica, in altre parole, diventa navigabile.
Non basta generare una molecola
È qui che entra in gioco l’AI generativa. I nuovi modelli possono proporre strutture molecolari che non erano state necessariamente inserite nel dataset iniziale.
Ma generare una molecola chimicamente plausibile è soltanto l’inizio. Un candidato farmaco deve soddisfare contemporaneamente molti requisiti.
Deve avere attività biologica. Essere sufficientemente selettivo. Possedere determinate caratteristiche di solubilità e stabilità. Poter essere sintetizzato. Avere un profilo farmacocinetico adeguato. E interagire nel modo desiderato con il proprio bersaglio terapeutico.
Una struttura può quindi essere perfettamente valida dal punto di vista chimico e completamente inutile dal punto di vista farmaceutico. Ed è proprio questa distinzione a rendere il lavoro umano ancora centrale. Il problema non è produrre più molecole. È capire quali meritino davvero di essere studiate.
Milioni di alternative, ma il chimico resta al centro
L’intelligenza artificiale offre però qualcosa che un ricercatore da solo non può avere: scala di esplorazione.
Un modello può analizzare enormi quantità di strutture, confrontare caratteristiche e individuare regioni dello spazio chimico che potrebbero contenere candidati interessanti.
Il ricercatore può quindi restringere il campo. Non perché la macchina abbia “capito” quale sarà il prossimo farmaco, ma perché ha contribuito a rendere esplorabile un universo di possibilità altrimenti ingestibile.
È la differenza tra automazione e augmentation. L’obiettivo non è eliminare il chimico dal processo. È aumentare la quantità e la complessità delle alternative che può valutare.
L’intuizione scientifica continua a servire per interpretare ciò che l’algoritmo propone, collegarlo alla biologia, verificarne la plausibilità e decidere quali ipotesi meritino esperimenti reali.
Il “test di Turing” della chimica
Il titolo scelto da Moro, The Chemical Imitation Game, richiama volutamente Alan Turing.
Ma la domanda viene spostata. Non è necessario stabilire se una macchina “comprenda” realmente la chimica nello stesso modo di un essere umano. Può essere più utile chiedersi se riesca a navigare lo spazio chimico producendo risultati che un chimico esperto considererebbe sensati, originali e promettenti.
È un cambio di prospettiva rilevante anche per il dibattito sull’intelligenza artificiale. Il valore di un modello non dipende necessariamente dalla capacità di replicare il ragionamento umano. Dipende dalla capacità di produrre risultati utili che possano essere verificati.
Nel drug discovery questa distinzione è fondamentale. Perché alla fine una molecola proposta da un algoritmo deve uscire dal computer. Deve essere sintetizzata. Testata. Misurata. Confrontata con la realtà biologica.
Dall’AI che scrive all’AI che progetta molecole
È anche per questo che il lavoro padovano intercetta una delle evoluzioni più interessanti dell’intelligenza artificiale.
Il grande pubblico ha conosciuto l’AI generativa attraverso testi, immagini e video. Ma gli stessi principi di rappresentazione e generazione possono essere applicati a oggetti completamente diversi: proteine, materiali, molecole, strutture chimiche.
In questi casi l’output non è un contenuto digitale destinato a essere letto o guardato. Può diventare l’ipotesi iniziale per costruire qualcosa di fisico. Ed è qui che l’AI generativa incontra industria, biotech, farmaceutica e scienza dei materiali.
Ma attenzione: non è stato scoperto un nuovo farmaco
È importante chiarire anche ciò che questa ricerca non dimostra. La pubblicazione di Moro è una Perspective scientifica: propone un quadro concettuale sul rapporto tra rappresentazione chimica, linguaggio e intelligenza artificiale.
Non presenta un nuovo principio attivo. Non dimostra che un algoritmo abbia scoperto autonomamente un farmaco. E non misura una riduzione specifica dei tempi o dei costi dello sviluppo farmaceutico. Sono distinzioni importanti in un settore nel quale l’entusiasmo per l’AI rischia facilmente di precedere le evidenze.
La scoperta di un candidato promettente è infatti soltanto una delle prime tappe di un percorso che richiede successivamente validazione sperimentale, studi preclinici, sperimentazione clinica e autorizzazione regolatoria.
Generare meglio le ipotesi non significa automaticamente trasformarle in medicinali. Significa, però, poter scegliere meglio quali ipotesi vale la pena testare.
Per Padova è anche una questione di posizionamento scientifico
La Perspective nasce all’interno del Dipartimento di Scienze del Farmaco dell’Università di Padova. E il contesto conta. L’Ateneo indica oggi oltre 2.850 docenti e ricercatori, più di 2.150 dottorandi, oltre 60 mila pubblicazioni nell’ultimo quinquennio e 621 progetti da bandi competitivi nel 2025.
La convergenza tra scienze della vita e intelligenza artificiale è uno dei terreni nei quali università con una forte tradizione scientifica possono costruire nuove competenze.
Non soltanto utilizzando software sviluppati altrove. Ma contribuendo a definire come l’AI debba rappresentare e interrogare la conoscenza scientifica. È un passaggio importante anche per l’ecosistema dell’innovazione veneto.
Perché il valore economico dell’intelligenza artificiale non si giocherà esclusivamente nella costruzione dei grandi modelli generalisti.
Si giocherà anche nelle applicazioni verticali nelle quali servono contemporaneamente AI e competenze scientifiche profonde.
Il vantaggio competitivo potrebbe essere nella rappresentazione
Ed è forse questo il punto meno appariscente, ma più interessante, della riflessione di Moro.
Si parla moltissimo di modelli sempre più grandi. Meno di come vengono rappresentati i problemi che quei modelli devono risolvere.
Ma in chimica la rappresentazione è decisiva.
Se una molecola viene descritta in modo capace di preservare meglio le informazioni rilevanti e le relazioni con le altre strutture, l’algoritmo può esplorare lo spazio chimico in maniera più efficace.
Una migliore “lingua” della chimica può quindi produrre una ricerca migliore. È lo stesso filo che unisce Dante, Lavoisier e l’intelligenza artificiale nella Perspective padovana.
Prima abbiamo imparato a dare un nome alle cose. Poi a rappresentare le relazioni tra quelle cose. Ora insegniamo alle macchine a muoversi dentro quelle rappresentazioni.
La conseguenza per il drug discovery potrebbe essere significativa. Non una macchina che preme un pulsante e inventa il prossimo medicinale.
Qualcosa di molto più realistico: un ricercatore che, grazie all’AI, può cercare in territori molecolari che da solo non avrebbe mai avuto il tempo di esplorare.
Ed è forse proprio questa la frontiera più concreta dell’intelligenza artificiale scientifica. Non sostituire chi scopre. Allargare enormemente lo spazio nel quale può cercare.
