Algoritmi e biotecnologie uniti nella corsa globale alla scoperta di nuovi antibiotici
ùNegli ultimi decenni, l’efficacia degli antibiotici si è progressivamente ridotta sotto la pressione dell’evoluzione batterica. Infezioni che un tempo si curavano facilmente oggi possono risultare letali, e la diffusione di malattie resistenti coinvolge un numero crescente di persone. Secondo l’Organizzazione Mondiale della Sanità, già oltre un milione di morti ogni anno è attribuibile a infezioni resistenti agli antibiotici, e le stime più pessimistiche parlano di dieci milioni di decessi entro il 2050.
A rendere più drammatica la situazione contribuisce la crisi dello sviluppo di nuovi farmaci. Creare antibiotici è un processo lungo, costoso e rischioso: molte aziende hanno ridotto i propri investimenti perché i candidati spesso falliscono i trial clinici o risultano economicamente poco redditizi. Inoltre, il problema della cosiddetta “ridiscovery” rende il percorso ancora più tortuoso: molti dei composti individuati nei laboratori si rivelano già noti o troppo simili a molecole esistenti, rallentando l’innovazione reale e sprecando preziose risorse.
Quando l’AI arriva in nostro soccorso!
In questo scenario, l’intelligenza artificiale entra in gioco come alleato inatteso e potentissimo. I sistemi di machine learning sono in grado di analizzare milioni di molecole e stimarne la probabilità di attività antibiotica, filtrando solo quelle più promettenti e riducendo drasticamente tempi e costi della ricerca. Ma l’AI non si limita a scremare! I modelli generativi possono progettare composti completamente nuovi, che non esistono in natura, con caratteristiche desiderate come stabilità, buona biodisponibilità e basso rischio di tossicità. Alcuni algoritmi sono persino capaci di costruire molecole da zero, partendo da atomi isolati e rispettando criteri di sintesi chimica.
I modelli più avanzati integrano diversi passaggi: dall’individuazione di bersagli proteici nei batteri alla generazione molecolare, dal filtraggio chimico alla previsione della tossicità, fino alla valutazione in laboratorio e negli animali da esperimento. Tecniche come il reinforcement learning permettono di ottimizzare simultaneamente molte variabili, efficacia, sicurezza, facilità di produzione, mentre approcci che combinano modelli linguistici e grafi della conoscenza aiutano a evitare ridondanze e scoperte già note.
AI e biotecnologie contro la batterioresistenza
I primi risultati concreti hanno già attirato l’attenzione della comunità scientifica. Nel 2020, un algoritmo ha identificato la molecola halicin come potenziale antibiotico. In laboratorio, si è rivelata efficace contro diversi ceppi resistenti e, soprattutto, ha mostrato un meccanismo d’azione insolito: interferisce con il gradiente elettrochimico della membrana batterica, rendendo più difficile per i microrganismi sviluppare resistenza. Altri studi del MIT hanno utilizzato l’AI generativa per progettare nuovi composti capaci di eliminare lo Staphylococcus aureusresistente (MRSA) e la gonorrea multiresistente, portando alcune molecole fino ai test sugli animali con esiti promettenti. Parallelamente, altri ricercatori hanno puntato a fonti inusuali, come microrganismi antichi o ambienti estremi popolati da archea, nella speranza di trovare peptidi dalle proprietà antibiotiche ancora sconosciute. In certi casi, persino composti provenienti da veleni naturali sono stati rianalizzati con modelli predittivi, rivelando potenziali azioni antimicrobiche. Infine, grandi progetti di genomica computazionale hanno analizzato migliaia di organismi, identificando quasi un milione di candidati antibiotici, con decine già attivi contro batteri patogeni.
Nonostante l’entusiasmo, le sfide da affrontare restano notevoli. Le molecole individuate dai computer devono essere sintetizzate e testate prima in vitro (su colture cellulari) e poi in vivo (su animali da laboratorio), un passaggio che spesso rappresenta il vero collo di bottiglia della ricerca. Anche quando un composto risulta efficace, c’è il rischio che sia tossico per le cellule umane, o che, col tempo, i batteri evolvano nuove forme di resistenza. La sperimentazione clinica richiede anni e regolamentazioni severe, mentre resta aperto anche il nodo dei diritti di proprietà: chi possiede un farmaco “inventato” dall’AI? Brevetti, accesso ai dati e trasparenza scientifica sono questioni ancora da risolvere.
L
Eppure, qualcosa è cambiato. Dopo decenni in cui la scoperta di antibiotici faticava a tenere il passo con i super-batteri, l’intelligenza artificiale ha introdotto una febbre digitale: molecole simulate, generate e selezionate prima ancora che vengano toccate da una pipetta. I risultati già ottenuti dimostrano che non si tratta di un sogno irrealizzabile, ma di un percorso concreto. La strada per rendere queste soluzioni sicure, accessibili e sostenibili è lunga, ma se sapremo unire rigore scientifico, innovazione algoritmica, cooperazione internazionale ed etica, potremo davvero ribaltare i rapporti di forza nella battaglia eterna contro i batteri resistenti.
Riferimenti:
- The Guardian. “AI aids discovery of new antibiotics to fight drug-resistant bacteria”, 2024.
- Nature. “Deep learning identifies novel antibacterial compounds”, 2025.
- Fierce Biotech. “Deep learning and generative AI models build new antibiotics starting from a single atom”, 2025.
- ArXiv. “AI-guided Antibiotic Discovery Pipeline from Target Selection to Compound Identification”, 2025.
- MIT News. “Artificial intelligence identifies new antibiotic” (halicin)“, 2020.
- MIT News. “Researchers design compounds to kill drug-resistant bacteria using generative AI”, 2025.
- University of Pennsylvania Blog. “AI uncovers new antibiotics in ancient microbes”, 2025.
- University of Pennsylvania Blog. “Largest ever antibiotic discovery effort uses AI to uncover potential cures in microbial dark matter”, 2025.
- Foto di copertina, NIAID, Public domain, via Wikimedia Commons.
