L’intelligenza artificiale ha superato una nuova soglia nella biologia sintetica. Un gruppo di ricercatori della Stanford University ha utilizzato modelli generativi per progettare interi genomi di virus che non esistono in natura e ha poi verificato in laboratorio che alcuni di questi organismi erano effettivamente in grado di funzionare e riprodursi.
Il risultato è stato pubblicato il 6 agosto 2026 sulla rivista Science. Il gruppo guidato da Brian Hie ha utilizzato Evo 1 ed Evo 2, modelli linguistici genomici capaci di elaborare il Dna come una sequenza sulla quale riconoscere regolarità e generare nuove combinazioni. Partendo dal batteriofago naturale ΦX174, i ricercatori hanno prodotto migliaia di possibili genomi, ne hanno sintetizzati e testati quasi 300 e hanno ottenuto 16 fagi vitali.
Il passaggio è rilevante anche fuori dai laboratori. Se modelli come Evo 2 riusciranno a ridurre tempi e costi della progettazione biologica, potrebbero accelerare lo sviluppo di nuovi antimicrobici, terapie personalizzate, enzimi e microrganismi industriali. La stessa capacità di scrivere genomi, tuttavia, rende più urgente definire controlli per tecnologie che potrebbero essere utilizzate anche per progettare sistemi biologici pericolosi.
Indice degli argomenti:
Dai modelli linguistici alle istruzioni della vita
Evo 2 applica alla genomica un principio simile a quello alla base dei grandi modelli linguistici. Invece di prevedere la parola successiva di una frase, il sistema lavora sulle quattro lettere che rappresentano le basi del Dna — A, C, G e T — e impara le regolarità statistiche presenti nelle sequenze genomiche.
La scala del modello è considerevole. Lo studio dedicato a Evo 2, pubblicato su Nature il 4 marzo 2026, descrive una versione da 40 miliardi di parametri addestrata su circa 9,3 trilioni di token genomici e capace di analizzare sequenze lunghe fino a un milione di basi. Il dataset comprende materiale genetico proveniente dai diversi domini della vita e dai batteriofagi. Codice, parametri e dataset OpenGenome2 sono stati resi disponibili pubblicamente.
Il modello non serve soltanto a generare Dna. I ricercatori hanno mostrato che può prevedere gli effetti di alcune mutazioni, riconoscere caratteristiche funzionali del genoma e lavorare su sequenze di organismi molto differenti.
I risultati pubblicati su Nature indicano anche limiti importanti: in diversi compiti specifici, modelli addestrati espressamente per una singola funzione mantengono prestazioni superiori. Evo 2 va quindi considerato una piattaforma generale, più che una macchina capace di risolvere indistintamente ogni problema biologico.
I 16 fagi sintetici contro E. coli
Per verificare se la capacità generativa potesse produrre un intero genoma funzionante, il team di Stanford ha scelto ΦX174, uno dei batteriofagi più studiati e con un genoma inferiore alle 6.000 coppie di basi.
I batteriofagi sono virus che infettano i batteri. Il gruppo ha chiesto ai modelli di generare nuove sequenze complete partendo dalle informazioni ricavate dal fago naturale. Dopo la selezione informatica, quasi 300 genomi sono stati sintetizzati e portati in laboratorio.
Sedici hanno prodotto fagi vitali. Alcuni, secondo Stanford, hanno mostrato nei test una fitness superiore a quella del ΦX174 naturale utilizzato come riferimento. L’esperimento è stato condotto con Escherichia coli e in condizioni controllate. Non dimostra quindi che lo stesso metodo possa essere trasferito immediatamente a virus più grandi o a patogeni capaci di infettare esseri umani, animali o piante.
Il risultato modifica però la scala del problema. L’AI generativa era già impiegata per progettare proteine, Rna e singoli elementi genetici. Con questo studio il processo arriva alla generazione e alla verifica sperimentale di genomi virali completi.
Perché i fagi interessano l’industria farmaceutica
La prima applicazione indicata dagli autori riguarda la terapia fagica. Il principio è utilizzare virus selezionati per infettare e distruggere specifici batteri responsabili di un’infezione.
La tecnica ha una storia lunga, soprattutto nell’Europa orientale, ma non è diventata una terapia standard su larga scala nei principali mercati occidentali. Uno dei problemi è la specificità: occorre trovare un fago in grado di colpire il ceppo batterico presente nel paziente. A questo si aggiungono produzione, caratterizzazione, controllo di qualità, autorizzazioni regolatorie e possibilità che i batteri sviluppino resistenza anche ai fagi.
L’AI potrebbe intervenire proprio nella fase di progettazione. Invece di limitarsi a cercare in natura il virus più adatto, un modello generativo potrebbe ampliare lo spazio delle possibili sequenze e aiutare i ricercatori a costruire fagi con caratteristiche differenti.
Stanford prospetta anche l’impiego di cocktail contenenti più fagi geneticamente distinti. Se un batterio riuscisse a resistere a uno dei virus, dovrebbe adattarsi contemporaneamente agli altri componenti della combinazione. La strategia richiederà comunque sperimentazione clinica prima di poter essere considerata un’alternativa terapeutica consolidata.
L’antibiotico-resistenza ha già un costo economico
Il possibile interesse industriale arriva mentre l’antibiotico-resistenza continua a indebolire l’efficacia dei trattamenti esistenti. L’Oms riferisce che una infezione batterica comune su sei, tra quelle confermate in laboratorio nel mondo nel 2023, risultava resistente ai trattamenti antibiotici. Tra il 2018 e il 2023 la resistenza è aumentata in oltre il 40% delle combinazioni tra patogeni e antibiotici monitorate, con incrementi medi annui compresi tra il 5 e il 15%.
L’impatto è anche finanziario. Secondo l’Oms Europa, la resistenza antimicrobica costa ogni anno all’Unione europea e allo Spazio economico europeo circa 11,7 miliardi di euro tra maggiore spesa sanitaria e perdita di produttività. Nella regione europea dell’Oms è associata direttamente a circa 133.000 decessi l’anno.
Il 25 maggio 2026 l’Assemblea mondiale della sanità ha adottato il nuovo piano globale contro la resistenza antimicrobica per il periodo 2026-2036. Il documento assegna un ruolo esplicito a innovazione, sorveglianza e nuovi strumenti terapeutici, insieme alla prevenzione e all’uso responsabile degli antimicrobici.
È dentro questo mercato sanitario che la progettazione automatizzata dei fagi potrebbe acquistare valore economico. La capacità di generare rapidamente molti candidati diversi potrebbe ridurre una parte del lavoro di ricerca iniziale e rendere più praticabile lo sviluppo di terapie mirate. Restano da dimostrare efficacia nell’uomo, riproducibilità, sicurezza e sostenibilità industriale.
Evo 2 è open source e nasce il problema dei controlli
Il gruppo di Brian Hie ha scelto di rendere Evo 2 apertamente disponibile. Il modello, i parametri e parte dell’infrastruttura necessaria sono accessibili alla comunità scientifica. Gli autori sostengono che l’apertura possa accelerare ricerca e innovazione in campi che vanno dalla medicina alla biologia industriale.
La decisione produce però un conflitto che accompagna molti strumenti di AI applicati alle scienze della vita. Maggiore accessibilità significa più ricercatori in grado di sperimentare e migliorare il modello. Significa anche che le capacità disponibili non restano limitate a poche istituzioni dotate di procedure di sicurezza.
Nel lavoro sui fagi, Stanford ha introdotto precauzioni specifiche. I test hanno utilizzato un ceppo non patogeno di E. coli e il lavoro non è stato orientato alla progettazione di virus patogeni per esseri umani. Le versioni iniziali del progetto Evo 2 erano state inoltre costruite con esclusioni mirate di dati virali considerate sensibili proprio per ridurre alcuni rischi di utilizzo improprio.
Il problema diventa più difficile con l’aumento delle capacità dei modelli. Nel 2024, un gruppo di studiosi guidato da esperti del Johns Hopkins Center for Health Security aveva già proposto su Science valutazioni di sicurezza prima del rilascio dei modelli biologici più avanzati e controlli proporzionati alle loro capacità.
Il punto debole resta la sintesi fisica del Dna
Generare una sequenza al computer non equivale a produrre automaticamente un organismo. Per trasformare un progetto digitale in materiale biologico occorrono ancora sintesi del Dna, assemblaggio, strutture di laboratorio e verifiche sperimentali.
Questo passaggio rappresenta uno dei principali punti nei quali possono essere applicati controlli. Uno studio pubblicato su Science nel 2025 ha indicato lo screening degli ordini presso le aziende di sintesi degli acidi nucleici come uno degli strumenti più importanti per intercettare sequenze potenzialmente pericolose sviluppate anche con l’aiuto dell’AI.
L’avanzamento dei modelli generativi sta però comprimendo progressivamente la distanza tra progettazione informatica e biologia sperimentale. Un ulteriore studio pubblicato nel luglio 2026 ha affrontato il problema della pianificazione economica dei genomi sintetici, sviluppando algoritmi per minimizzare i costi di assemblaggio attraverso la combinazione di sequenze esistenti e frammenti prodotti ex novo. È un altro indicatore della crescente automazione dell’intera filiera della biologia sintetica, dalla progettazione alla produzione.
Una nuova piattaforma industriale per la biologia
Per il settore biotech, la posta in gioco supera la terapia fagica. Un modello capace di lavorare su interi genomi potrebbe diventare una piattaforma tecnologica utilizzabile per progettare batteri destinati alla produzione di farmaci, materiali, enzimi o molecole industriali.
La ricerca è ancora lontana dalla possibilità di generare liberamente organismi complessi e prevederne con precisione il comportamento. Nature, analizzando l’evoluzione dei modelli genomici nel 2026, ha sottolineato che scrivere una sequenza plausibile non significa automaticamente creare un genoma capace di funzionare in una cellula.
Il risultato di Stanford riduce però questa distanza per i sistemi biologici più semplici. Sedici virus sintetici funzionanti, ottenuti partendo da centinaia di candidati generati e costruiti, mostrano che l’AI può entrare direttamente nel ciclo “design-build-test” della biologia.
Da qui passa anche il possibile valore economico di Evo 2 e dei modelli successivi: diminuire il numero di tentativi manuali necessari per trovare una soluzione biologica utile e rendere esplorabili spazi genetici troppo grandi per essere analizzati con metodi tradizionali.
La stessa accelerazione trasferisce parte del problema dalla capacità tecnica alla governance. Se progettare genomi diventerà progressivamente più rapido ed economico, la regolazione dovrà decidere quali modelli richiedono valutazioni preventive, quali dati possono essere distribuiti senza restrizioni e come controllare il passaggio dal codice digitale alla sintesi fisica del Dna.
Il 6 agosto 2026 Stanford ha dimostrato che un modello generativo può contribuire a progettare virus completi che funzionano nel mondo reale. Il valore industriale dipenderà ora dalla possibilità di trasformare quella capacità in farmaci e tecnologie riproducibili. Il costo di una governance inefficace, invece, crescerà insieme alla potenza dei modelli.
Partecipa alla community