Scopri come un algoritmo può scoprire un antibiotico mai esistito e rivoluzionare la ricerca di nuovi farmaci antibatterici.
Questo articolo esplora come gli algoritmi di machine learning e di intelligenza artificiale generativa stiano rivoluzionando la ricerca di nuovi farmaci antibatterici, dimostrando che è possibile identificare o addirittura progettare da zero composti mai esistiti prima. È utile a ricercatori, medici, studenti di microbiologia e chiunque sia interessato alla lotta contro la resistenza antimicrobica, perché illustra casi concreti, meccanismi e prospettive future di questa tecnologia applicata alla salute globale.
Introduzione
La domanda un algoritmo può scoprire un antibiotico mai esistito non è più solo teorica. Da pochi anni i sistemi di deep learning hanno dimostrato di saper individuare molecole con attività antibatterica potentissima, spesso strutturalmente diverse da tutto ciò che conoscevamo. Il caso più celebre resta quello di halicin, ma oggi si parla già di molecole generatе de novo, cioè inventate interamente dal computer. In un contesto in cui la resistenza antimicrobica causa milioni di morti all’anno, queste scoperte rappresentano una svolta epocale per la microbiologia e la farmacologia.
La crisi degli antibiotici tradizionali è evidente: poche nuove classi sono state introdotte negli ultimi decenni e i patogeni multiresistenti si diffondono rapidamente. Gli algoritmi di intelligenza artificiale permettono di esplorare spazi chimici enormi, impossibili da testare in laboratorio con metodi classici. In pochi giorni un modello può valutare centinaia di milioni di strutture, selezionando quelle più promettenti e meno tossiche. Il risultato è una pipeline di scoperta accelerata che unisce calcolo, sintesi chimica e validazione biologica.
Come funzionano gli algoritmi nella scoperta di antibiotici
Il deep learning applicato alle strutture molecolari
I modelli di deep learning imparano a riconoscere pattern chimici associati all’attività antibatterica. Si addestrano su librerie di molecole già testate, costruendo grafi molecolari in cui atomi e legami diventano nodi e archi. Una volta allenati, questi sistemi prevedono se una nuova struttura inibisce la crescita batterica senza somigliare agli antibiotici noti, riducendo il rischio di resistenza crociata.
Nel 2020 il team del MIT guidato da James Collins ha pubblicato su Cell lo studio che ha portato a halicin. L’algoritmo ha analizzato oltre 100 milioni di composti e ha individuato una molecola già nota come potenziale antidiabetico ma mai utilizzata come antibiotico. Halicin ha dimostrato attività ad ampio spettro contro Escherichia coli, Acinetobacter baumannii, Clostridioides difficile e addirittura ceppi di Mycobacterium tuberculosis.
Dalla screening di librerie alla generazione de novo
I primi successi riguardavano lo screening di librerie esistenti. Oggi si è passati alla generazione de novo. Gli algoritmi generativi, basati su variational autoencoders e algoritmi genetici, inventano molecole che non esistono in nessuna banca dati. Nel 2025 un lavoro su Cell ha mostrato come questi sistemi abbiano progettato oltre 36 milioni di candidati, selezionandone alcuni con attività selettiva contro Neisseria gonorrhoeae e Staphylococcus aureus multiresistente.
Queste molecole, chiamate NG1 e DN1, presentano meccanismi d’azione nuovi, spesso legati alla destabilizzazione della membrana batterica. La capacità di creare antibiotici mai esistiti apre uno spazio chimico illimitato e riduce drasticamente i tempi di scoperta.
L’importanza dell’explainable AI
Un limite storico dei modelli di deep learning era la loro natura “black box”. Oggi tecniche di explainable AI permettono di capire quali sottogruppi strutturali determinano l’attività. Uno studio su Nature del 2024 ha usato reti neurali a grafo spiegabili per identificare una nuova classe strutturale attiva contro MRSA e enterococchi vancomicina-resistenti. I composti riducevano la carica batterica nei modelli murini senza tossicità rilevante sulle cellule umane.
Casi concreti di successo
Halicin: il primo antibiotico scoperto dall’IA
Halicin rimane il simbolo della rivoluzione. Scoperto attraverso un algoritmo di deep learning addestrato su dati di inibizione di E. coli, ha mostrato capacità di collassare il potenziale di membrana batterico. A differenza di molti antibiotici classici, i batteri sviluppano resistenza molto lentamente. Esperimenti su topi hanno confermato l’efficacia contro infezioni da A. baumannii pan-resistente.
- Ampio spettro d’azione
- Meccanismo innovativo
- Bassa tendenza alla resistenza
- Validazione in vivo
Questi elementi hanno reso halicin un modello di riferimento per successive ricerche.
Abaucin e le molecole selettive
Un altro successo riguarda l’abaucin, identificato con machine learning contro Acinetobacter baumannii. A differenza di halicin, agisce in modo più selettivo, colpendo un patogeno particolarmente temuto in ambito ospedaliero. Questo approccio dimostra che gli algoritmi possono essere specializzati su patogeni prioritari dell’OMS.
Le molecole generate da zero
I lavori più recenti mostrano che un algoritmo può davvero inventare antibiotici mai esistiti. Attraverso generazione de novo e screening computazionale, i ricercatori hanno sintetizzato e testato decine di candidati. Alcuni hanno ridotto significativamente la carica batterica in modelli di infezione cutanea e vaginale, aprendo la strada a nuove classi terapeutiche.
Vantaggi e sfide dell’approccio computazionale
I vantaggi sono evidenti:
- Velocità: milioni di molecole valutate in giorni
- Novità strutturale: riduzione del rischio di resistenza crociata
- Costi inferiori rispetto allo screening ad alto rendimento tradizionale
- Possibilità di ottimizzare selettività e tossicità già in fase predittiva
Le sfide restano. La sintesi chimica di molecole del tutto nuove può essere complessa. La validazione preclinica e clinica richiede tempo e risorse. Inoltre, i modelli dipendono dalla qualità dei dati di training: bias o incompleteness possono influenzare le predizioni. Nonostante ciò, la sinergia tra intelligenza artificiale e sperimentazione biologica sta dimostrando risultati concreti.
Impatto sulla lotta alla resistenza antimicrobica
La resistenza antimicrobica è considerata una delle maggiori minacce sanitarie globali. Ogni anno milioni di persone muoiono per infezioni non più trattabili. La capacità di un algoritmo di scoprire un antibiotico mai esistito offre una risposta concreta. Non si tratta solo di trovare nuove molecole, ma di cambiare il paradigma della discovery: da processo empirico lento a pipeline guidata dai dati e dall’apprendimento automatico.
In Italia e in Europa, centri di ricerca e aziende biotech stanno investendo in queste tecnologie. La collaborazione tra microbiologi, chimici e data scientist diventa essenziale. Chi studia microbiologia oggi non può ignorare gli strumenti computazionali che stanno ridefinendo il settore.
Conclusioni
La risposta alla domanda un algoritmo può scoprire un antibiotico mai esistito è affermativa e già dimostrata. Dai primi successi con halicin alle molecole generate de novo del 2025, l’intelligenza artificiale ha trasformato la ricerca di nuovi antibatterici. Questi sistemi non sostituiscono lo scienziato, ma amplificano enormemente le sue capacità di esplorazione. Continuare a investire in modelli spiegabili, in validazione sperimentale rigorosa e in partnership interdisciplinari sarà decisivo per portare questi candidati dalla bench al letto del paziente. Il futuro della lotta contro i superbatteri passa anche attraverso gli algoritmi.
Domande Frequenti
Chi ha sviluppato i primi algoritmi capaci di scoprire antibiotici innovativi?
I pionieri sono stati i ricercatori del MIT e del Broad Institute, in particolare il gruppo di James Collins e Regina Barzilay. Segui sempre i gruppi di ricerca leader per aggiornamenti affidabili.
Cosa rende un antibiotico “mai esistito” secondo gli algoritmi?
Una molecola generata de novo o individuata in librerie ma strutturalmente divergente da tutte le classi note e mai testata prima per attività antibatterica. Verifica sempre i dati di novità strutturale nei paper originali.
Quando sono stati pubblicati i risultati più rilevanti?
Il lavoro su halicin è del 2020 su Cell; le scoperte di nuove classi strutturali e di molecole de novo arrivano tra 2023 e 2025. Controlla le date di pubblicazione per contestualizzare i progressi.
Come funziona concretamente un algoritmo di discovery antibiotica?
Si addestra su dati di attività e struttura, poi predice o genera candidati che vengono filtrati per tossicità e novità, infine sintetizzati e testati. Preferisci modelli con componenti explainable per maggiore trasparenza.
Dove si possono trovare le molecole candidate identificate dall’IA?
Nei paper scientifici, nelle banche dati come ZINC e nei repository dei gruppi di ricerca MIT. Consulta sempre le fonti primarie e non solo i comunicati stampa.
Perché è importante che un algoritmo scopra antibiotici nuovi?
Perché accelera la risposta alla resistenza antimicrobica, esplora spazi chimici inaccessibili e riduce i tempi di sviluppo di farmaci salvavita. Supporta la ricerca interdisciplinare tra IA e microbiologia.
Fonti
- https://pubmed.ncbi.nlm.nih.gov/32084340/
- https://pubmed.ncbi.nlm.nih.gov/38123686/
- https://pubmed.ncbi.nlm.nih.gov/40816267/
- https://www.microbiologiaitalia.it/bioinformatica/halicina-hal/
- https://www.microbiologiaitalia.it/batteriologia/halicin-nuovi-antibiotici-grazie-allintelligenza-artificiale/
Crediti fotografici
Immagine in evidenza generata con AI – Link
Segui Microbiologia Italia
Se ti è piaciuto questo contenuto e vuoi supportare Microbiologia Italia seguici su MSN e su Google News. Inserisci Microbiologia Italia tra le tue fonti preferite per ricevere aggiornamenti di qualità su argomenti scientifici simili.