César de la Fuente, bioingeniere all’Università della Pennsylvania, usa ChatGPT e Codex per setacciare i genomi di organismi viventi e di specie estinte alla ricerca di molecole capaci di combattere i microbi resistenti ai farmaci. Il risultato più concreto: quello che richiedeva anni di ricerca oggi si comprime in ore di calcolo.
Il punto di partenza del laboratorio è un’idea apparentemente semplice. La biologia è un sistema di informazione. Le sequenze di DNA e gli amminoacidi che compongono proteine e peptidi funzionano come un alfabeto che i modelli di machine learning possono imparare a leggere. Il lab di de la Fuente addestra reti neurali profonde a riconoscere pattern in sequenze biologiche, poi le scatena su enormi dataset genomici e proteici per individuare candidati antimicrobici. Codex entra in gioco come strumento per scrivere e affinare il codice necessario a gestire questi dataset, mentre ChatGPT serve da interlocutore per il brainstorming di ipotesi e per collegare intuizioni che arrivano da discipline diverse.
Il contesto rende la ricerca tutt’altro che accademica. Nel 2021 circa cinque milioni di morti nel mondo sono stati associati alla resistenza batterica agli antimicrobici, e le proiezioni indicano che quel numero potrebbe raddoppiare entro il 2050. Nessuna nuova classe di antibiotici ha raggiunto i pazienti negli ultimi cinquant’anni. De la Fuente descrive la resistenza antimicrobica come “una delle più grandi minacce esistenziali per l’umanità”, un problema che il mercato farmaceutico tradizionale fatica ad affrontare perché i costi di sviluppo sono proibitivi e i ritorni economici incerti.
La composizione del team spiega perché strumenti come ChatGPT risultino utili nella pratica quotidiana. Il laboratorio è transdisciplinare: biologi, chimici, informatici e ingegneri lavorano fianco a fianco. I biologi privi di esperienza di programmazione usano Codex per costruire strumenti e script. I programmatori con meno formazione biologica riescono ad affrontare problemi di biologia. ChatGPT permette ai membri del team di lavorare nella propria lingua madre, abbassando le barriere linguistiche. Lo spazio di lavoro condiviso su ChatGPT funziona, secondo de la Fuente, come una cassa di risonanza collettiva alimentata dalle idee di tutto il gruppo. Con una avvertenza esplicita: gli output vanno sempre verificati.
Resta una distinzione che vale la pena tenere ferma. Anche la molecola candidata più promettente individuata con questi metodi deve attraversare anni di validazione sperimentale prima di diventare un farmaco. L’AI comprime la fase iniziale della scoperta, non l’intero percorso. De la Fuente cerca sequenze in genomi di specie estinte perché rappresentano un territorio quasi completamente inesplorato dalla ricerca convenzionale. Se la biologia è davvero un alfabeto, quei genomi contengono parole che nessuno ha ancora letto. ChatGPT e Codex, in questo scenario, non sostituiscono il ricercatore: accelerano il ritmo con cui riesce a fare le domande giuste.
