C’è una frontiera della biologia che fino a pochi anni fa sembrava irraggiungibile, eppure oggi, grazie all’intelligenza artificiale, è stata superata: progettare un genoma intero da zero con la stessa facilità con cui si scrive un testo è diventato realtà. Il 6 agosto 2026, un team di ricercatori guidato da Brian L. Hie ha pubblicato su Science uno studio intitolato “Generative design of bacteriophages with genome language models” che segna un punto di svolta: per la prima volta, un modello di linguaggio genomico ha generato virus batteriofagi funzionanti, capaci di infettare specifici batteri e di evolversi per superare la resistenza batterica. Non si tratta di semplici copie di virus esistenti, ma di genomi completamente nuovi, con sequenze che non si trovano in natura, architetture genetiche riorganizzate e soluzioni evolutive inedite. Un risultato che apre scenari straordinari per la terapia fagica, la biologia sintetica e, più in generale, per la nostra capacità di progettare la vita. Ma come ogni grande svolta tecnologica, questa scoperta solleva anche interrogativi profondi che vanno ben oltre il laboratorio: questioni di sicurezza, di governance, di responsabilità e, in ultima analisi, di cosa significhi essere umani in un’era in cui il confine tra naturale e artificiale si fa ogni giorno più sottile.

Per capire l’importanza di questa scoperta dobbiamo prima chiederci che cosa sia un genoma. La risposta è che si tratta dell’intero patrimonio genetico di un organismo, l’insieme completo delle istruzioni necessarie per costruire e far funzionare quella particolare forma di vita. Nel caso dei batteriofagi, i virus che infettano i batteri, il genoma è relativamente piccolo: quello di ΦX174, il virus scelto come modello dai ricercatori, è composto da circa 5.400 “lettere” del codice genetico, ma non lasciamoci ingannare dalle dimensioni. Quelle 5.400 lettere contengono 11 geni, almeno sette elementi regolatori, due sequenze di riconoscimento e una complessa architettura che deve funzionare in perfetta armonia. È come un orologio svizzero in miniatura: ogni ingranaggio deve essere al posto giusto, ogni molla deve avere la giusta tensione. Un singolo errore, una singola mutazione, può rendere l’intero genoma non vitale. Questo spiega perché fino a oggi la maggior parte dei progressi nella progettazione biologica si sia concentrata su singoli geni o su piccoli circuiti genetici. Progettare un genoma intero è sempre stato considerato troppo complesso, troppo rischioso, troppo difficile.

I ricercatori hanno utilizzato due modelli di intelligenza artificiale, chiamati Evo 1 ed Evo 2, addestrati su centinaia di miliardi di coppie di basi di DNA provenienti da batteri, archei e virus. Il compito assegnato durante l’addestramento era semplice, quasi banale: data una sequenza di nucleotidi, prevedere il nucleotide successivo. Nessuna etichetta, nessuna regola esplicita su cosa fosse un gene, un promotore, una sequenza di impacchettamento. Solo DNA su DNA, per mesi di calcolo. Durante questo addestramento, i modelli hanno imparato le regole profonde che governano il DNA: quali sequenze funzionano e quali no, quali strutture si sono conservate attraverso milioni di anni di evoluzione e quali sono state abbandonate perché inadatte. Immaginate un bambino che impara una lingua: all’inizio non conosce le regole grammaticali, ma ascoltando milioni di frasi comincia a intuire quali combinazioni di parole hanno senso e quali no. Allo stesso modo, Evo ha ascoltato milioni di genomi e ha imparato le regole grammaticali della vita, ma c’è una differenza fondamentale tra generare una frase e generare un genoma. Quando ChatGPT genera un testo, può permettersi di sbagliare: una parola fuori posto o una concordanza grammaticale errata non compromettono la comprensibilità della frase. Con un genoma non funziona così. Un singolo nucleotide sbagliato può significare che il virus non si replica, non infetta, non sopravvive. È proprio questo vincolo di precisione che rende la progettazione genomica una sfida di una complessità molto maggiore rispetto alla generazione di testi.

Il processo di progettazione è articolato e richiede un delicato equilibrio tra fedeltà al modello naturale e innovazione. I ricercatori hanno prima “perfezionato” i modelli Evo su un dataset specifico di circa 15.000 genomi di Microviridae, la famiglia di virus a cui appartiene ΦX174. Poi hanno “provocato” i modelli con brevi sequenze di inizio del genoma di ΦX174 e hanno generato migliaia di nuovi genomi candidati. Ma generare non basta: bisogna selezionare. I ricercatori hanno sviluppato un sistema di filtri in tre livelli: un controllo di qualità di base con lunghezza corretta, contenuto di GC appropriato e assenza di sequenze problematiche; un filtro sul tropismo, cioè la capacità di infettare il batterio bersaglio, verificata attraverso la presenza di proteine di attacco simili a quelle di ΦX174; e un filtro di diversificazione che seleziona genomi che si allontanano sufficientemente da quelli naturali, con nuove architetture genetiche e sequenze proteiche divergenti. Di migliaia di genomi generati, 302 sono stati scelti per la sintesi chimica, 285 sono stati effettivamente assemblati in laboratorio e 16 si sono rivelati funzionanti: virus vivi, capaci di infettare e uccidere i batteri. Il tasso di successo, tra il 5% e il 7%, può sembrare piccolo, ma è straordinario se si considera che si tratta di progettare un genoma intero con centinaia di mutazioni rispetto ai genomi naturali, laddove il tasso di sopravvivenza atteso per mutazioni casuali sarebbe stato vicino allo zero. I 16 virus generati non sono semplici copie di ΦX174, ma possiedono combinazioni genetiche mai osservate prima, con geni riarrangiati, scambiati o eliminati. Un esempio emblematico è Evo-Φ36, in cui una modifica che in esperimenti precedenti si era dimostrata letale è stata resa possibile dal modello grazie a una serie di mutazioni compensatorie automaticamente individuate. I virus sintetici mostrano comportamenti molto vari: alcuni uccidono i batteri rapidamente, altri con più lentezza, e i più competitivi non sono affatto quelli più simili ai virus naturali. Quando i ricercatori hanno messo alla prova i virus contro ceppi batterici resistenti, il cocktail generato dall’IA ha avuto la meglio già dopo uno o due passaggi, laddove il fago naturale e i suoi parenti stretti fallivano anche dopo cinque. La diversità progettata dall’IA ha fornito il materiale grezzo per un rapido adattamento: sono bastate poche ricombinazioni per generare virus capaci di superare la resistenza, con implicazioni profonde per la terapia fagica.

Una delle domande più affascinanti e controverse sollevate da questo studio riguarda l’effettiva originalità dei genomi generati. Se esaminiamo i dati pubblicati, scopriamo un paradosso apparente: i 16 fagi funzionanti mostrano una similarità di sequenza con il genoma naturale più vicino compresa tra il 93,2% e il 98,8%, ed esiste una correlazione positiva tra la vitalità dei fagi e la loro somiglianza al genoma naturale. Questi dati sembrerebbero suggerire che il modello non ha fatto altro che ricombinare pattern già esistenti, ma la realtà è più complessa. L’originalità non va misurata solo in termini di percentuale di somiglianza: i genomi generati presentano riarrangiamenti genici, mutazioni de novo e architetture divergenti in combinazioni mai osservate in natura; tredici dei sedici genomi funzionanti contenevano mutazioni assenti da qualsiasi sequenza naturale nota; in Evo-Φ36 il modello ha combinato una proteina di impacchettamento del DNA proveniente da un fago evolutivamente distante, una soluzione che i ricercatori avevano tentato senza successo con l’ingegneria razionale; e i virus generati mostrano comportamenti fenotipici molto vari, alcuni dei quali non presenti nei virus naturali. Il paradosso della vitalità che cala man mano che ci si allontana dai genomi naturali, lungi dallo smentire l’ipotesi che il modello abbia interiorizzato regole generali della biologia, la conferma in modo paradossale: il modello ha imparato che il genoma è un sistema altamente vincolato, dove un singolo nucleotide sbagliato può rendere l’intero virus non vitale, e per questo genera sequenze che restano vicine a quelle naturali, non per mancanza di creatività ma perché lo spazio del “biologicamente possibile” è estremamente ristretto. Ciò che rende il risultato straordinario non è l’aver generato genomi radicalmente diversi, ma l’averne generati funzionanti con centinaia di mutazioni rispetto ai genomi naturali, con un tasso di successo del 5-7% che, confrontato con il tasso di sopravvivenza atteso per mutazioni casuali (prossimo allo zero), è semplicemente impressionante.

Questo ci porta al cuore del dibattito scientifico attuale: i modelli come Evo sono “pappagalli stocastici” che si limitano a ricombinare pattern appresi, o mostrano capacità emergenti? Da un lato, Evo è certamente un “pappagallo”: ha appreso pattern statistici dai dati di addestramento e li riproduce, e la somiglianza con i genomi naturali e la correlazione tra vitalità e somiglianza sono la prova più evidente di questo meccanismo. Dall’altro, presenta chiari segni di capacità emergenti, abilità che compaiono quando un modello supera una certa soglia di scala e complessità e che non erano state né progettate né previste dai programmatori: ha scoperto da solo le regole della biologia molecolare senza che nessuno gliele abbia insegnate; ha generato soluzioni che gli esseri umani non erano riusciti a progettare razionalmente; e ha prodotto un cocktail di fagi che ha superato la resistenza batterica laddove i fagi naturali fallivano. Evo si colloca in una via di mezzo: non è un mero pappagallo perché mostra una comprensione profonda (anche se opaca) delle regole del sistema, ma non è nemmeno un “creatore” nel senso umano del termine perché le sue innovazioni sono variazioni su temi esistenti. È piuttosto un esploratore straordinariamente efficiente di uno spazio delle possibilità, capace di trovare percorsi che l’evoluzione e gli umani non avevano ancora esplorato.

Se un modello impara da solo le regole della biologia, diventa un partner inestimabile per la ricerca scientifica. Possiamo interrogarlo per scoprire regole che ancora non conosciamo, generare enzimi inesistenti in natura capaci di degradare la plastica negli oceani, progettare batteriofagi su misura per combattere infezioni resistenti agli antibiotici senza dover setacciare per anni campioni ambientali, immaginare circuiti metabolici sintetici che convertono scarti agricoli in farmaci o biocarburanti, e accelerare la scoperta di nuovi vaccini progettando particelle virali sintetiche che addestrano il sistema immunitario senza alcun rischio di infezione. Evo diventa una sorta di “microscopio computazionale” che permette di esplorare lo spazio delle sequenze possibili, immensamente più grande del numero di atomi nell’universo osservabile, senza dover sintetizzare e testare ogni variante in laboratorio, comprimendo in mesi scoperte che avrebbero richiesto decenni. Ma c’è un rovescio della medaglia: la stessa identica capacità di progettare genomi virali funzionali può essere usata per creare virus patogeni più pericolosi, potenziare agenti infettivi esistenti e progettare armi biologiche senza bisogno di accedere a un laboratorio di virologia di massima sicurezza. La barriera d’ingresso è crollata: fino a ieri servivano competenze specialistiche, attrezzature costose e anni di lavoro, oggi con un modello sufficientemente addestrato e un servizio commerciale di sintesi del DNA (disponibile online con controlli ancora largamente insufficienti), chiunque sappia porre le domande giuste all’intelligenza artificiale potrebbe progettare un virus pericoloso. Un precedente allarmante era già emerso nel 2022, quando un gruppo di ricercatori dimostrò su Nature Machine Intelligence che un’intelligenza artificiale addestrata per progettare farmaci poteva essere facilmente riconvertita per generare molecole altamente tossiche, inclusi agenti nervini, semplicemente modificando il criterio di ottimizzazione. Con lo studio pubblicato su Science, il salto è di qualità: non stiamo più parlando di molecole pericolose progettate al computer, ma di interi genomi virali sintetizzati e pronti a infettare una cellula. Come sottolineano gli stessi autori, la generazione di nuovi genomi fagici con sistemi di IA solleva questioni rilevanti di biosicurezza, biocontenimento e bioprotezione, e raccomandano che i gruppi impegnati in futuri lavori di progettazione genomica si affianchino a professionisti della sicurezza lungo tutto il ciclo di vita del progetto.

La regolamentazione di queste tecnologie è oggi un cantiere aperto, con iniziative che si muovono su più livelli ma ancora lontane dall’offrire una risposta sistematica alla portata della sfida. Negli Stati Uniti è stato introdotto il Biosecurity Modernization and Innovation Act, un disegno di legge che darebbe al Dipartimento del Commercio un anno per sviluppare nuove regole di screening per la sintesi del DNA, richiedendo ai venditori di DNA sintetico di verificare le sequenze ordinate per individuare quelle potenzialmente pericolose, verificare la legittimità dei clienti prima di spedire gli ordini e tenere registri dettagliati per consentire indagini di biosicurezza. Un’alleanza senza precedenti di CEO di aziende di intelligenza artificiale (OpenAI, Anthropic, Google DeepMind), esperti di biosicurezza ed ex funzionari della sicurezza nazionale ha firmato una lettera aperta che chiede al Congresso di rendere obbligatorio lo screening del DNA sintetico, sottolineando il rapido miglioramento dei sistemi di IA e il rischio concreto che le barriere conoscitive che hanno storicamente impedito agli attori malintenzionati di ottenere armi biologiche vengano significativamente erose. Sul fronte volontario, molte aziende che sintetizzano DNA aderiscono già ai protocolli di screening dell’International Gene Synthesis Consortium, ma questi protocolli sono volontari, non coprono tutte le aziende del settore e non prevedono sanzioni per le violazioni. Lo studio pubblicato su Science solleva problemi di difficile soluzione che vanno oltre le tradizionali preoccupazioni sulla biosicurezza: la barriera d’ingresso è crollata perché non serve più essere un esperto di virologia; le salvaguardie tecniche come l’esclusione dei virus patogeni per l’uomo dai dati di addestramento non sono sufficienti perché non impediscono ad altri di addestrare modelli su dati pericolosi; la trasparenza è un problema perché non sappiamo esattamente come il modello abbia imparato né quali altre capacità abbia sviluppato; e manca un quadro internazionale perché non esiste un organismo che verifichi prima del rilascio se un modello può progettare agenti patogeni. Servono un’infrastruttura di governance internazionale con obblighi di valutazione del rischio, registri trasparenti e restrizioni sull’accesso ai modelli più potenti; un investimento massiccio nella ricerca sulla sicurezza e sull’interpretabilità di questi sistemi; e una mobilitazione delle competenze che vada molto oltre la cerchia degli addetti ai lavori, coinvolgendo filosofi, giuristi, biologi, antropologi, educatori, amministratori pubblici, giornalisti e cittadini in una discussione democratica su quali traiettorie di sviluppo vogliamo incoraggiare e quali rallentare.