Progettazione delle proteine con l’IA: come le reti neurali creano enzimi che non esistono in natura

La natura ha impiegato miliardi di anni per sviluppare gli enzimi, proteine che permettono alle reazioni chimiche di avvenire in modo rapido ed efficiente. Tuttavia, l’evoluzione naturale non ha mai dovuto affrontare tutti i problemi della chimica moderna, dalla produzione di farmaci specializzati al trattamento di materiali industriali sconosciuti. L’intelligenza artificiale offre una strada alternativa: oggi i ricercatori possono progettare strutture proteiche completamente nuove, realizzarle in laboratorio e verificare se siano capaci di svolgere una determinata reazione. Nel 2026, questo approccio ha già permesso di ottenere enzimi funzionanti con strutture mai osservate nelle loro controparti naturali.

Perché gli scienziati progettano proteine che vanno oltre quelle naturali

Un enzima è una proteina composta da una catena di amminoacidi che si ripiega assumendo una particolare forma tridimensionale. All’interno di questa struttura si trova una piccola regione, chiamata sito attivo, nella quale una sostanza chimica può legarsi e reagire. Il resto della proteina mantiene i componenti necessari nella posizione corretta, consentendo spesso alla reazione di svolgersi in condizioni meno estreme rispetto a quelle richieste dalla chimica industriale tradizionale. Una proteina che funziona perfettamente all’interno di una cellula potrebbe però risultare inadatta a una sostanza sconosciuta, a un processo produttivo o a un materiale sviluppato di recente.

Per decenni, gli scienziati hanno migliorato gli enzimi apportando piccole modifiche alle proteine esistenti e misurando quali versioni funzionassero meglio. Questo metodo, noto come evoluzione diretta, rimane uno strumento estremamente efficace. Il suo limite principale è che, normalmente, i ricercatori devono partire da un enzima già utile o almeno da una proteina dotata di una certa attività da perfezionare. La progettazione de novo segue invece un percorso diverso: parte dalla funzione che si desidera ottenere e procede verso la creazione di una nuova proteina capace di svolgerla.

L’espressione «non presente in natura» richiede una precisazione. Un enzima artificiale può possedere una sequenza di amminoacidi inedita, una forma complessiva sconosciuta oppure una disposizione di gruppi chimici mai osservata nelle proteine conosciute. Alcuni degli studi più significativi degli ultimi anni hanno riprodotto deliberatamente reazioni chimiche già note all’interno di strutture proteiche completamente nuove, perché questo consente di verificare in modo affidabile il metodo di progettazione. Altri esperimenti puntano invece a reazioni che gli enzimi naturali svolgono raramente o, per quanto noto, non svolgono affatto. Entrambi gli approcci sono importanti, ma rispondono a domande differenti sulle reali capacità creative dell’intelligenza artificiale.

Che cosa imparano le reti neurali sulla struttura delle proteine

Le reti neurali apprendono schemi e relazioni analizzando grandi raccolte di sequenze proteiche, strutture misurate sperimentalmente e osservazioni di laboratorio. L’addestramento permette loro di riconoscere quali amminoacidi tendono a combinarsi correttamente, quali forme risultano fisicamente plausibili e in che modo una modifica in una regione possa influenzarne un’altra. Questo non significa che il software comprenda completamente la chimica. Significa piuttosto che gli scienziati possono esplorare un numero enorme di possibili strutture in modo molto più mirato rispetto alla semplice sperimentazione di combinazioni casuali.

Gli strumenti disponibili svolgono funzioni differenti. AlphaFold ha reso molto più accessibile la previsione della struttura delle proteine, mentre AlphaFold 3, descritto sulla rivista Nature nel 2024, ha esteso questa capacità alle interazioni che coinvolgono proteine, piccole molecole e altri componenti biologici. Queste previsioni aiutano i ricercatori a esaminare come un enzima progettato potrebbe ripiegarsi o accogliere una molecola coinvolta in una reazione. Tuttavia, una struttura prevista correttamente non costituisce di per sé una prova che la reazione chimica avverrà davvero.

Gli strumenti generativi affrontano il problema complementare: creare qualcosa di nuovo. RFdiffusion, introdotto nel 2023, è in grado di costruire strutture portanti delle proteine attorno a una disposizione desiderata di elementi strutturali o funzionali, anziché limitarsi a prevedere la forma di una sequenza già conosciuta. Altri modelli, tra cui ProteinMPNN e strumenti correlati, aiutano a selezionare sequenze di amminoacidi che potrebbero sostenere le strutture proposte. Sono comunque gli scienziati a decidere quale reazione sia importante, a definire i requisiti chimici e a scegliere quali progetti meritino di essere verificati sperimentalmente.

Come l’IA trasforma un obiettivo chimico in un enzima funzionante

La progettazione spesso comincia da una trasformazione chimica, non da una proteina. I ricercatori individuano il legame che desiderano rompere o formare e valutano come determinati gruppi chimici potrebbero favorire il processo. Il sito attivo di un enzima deve collocare questi gruppi vicino alla molecola coinvolta nella reazione, rispettando una disposizione estremamente precisa. Un moderno sistema di intelligenza artificiale può contribuire a costruire la struttura proteica circostante in modo da mantenere i gruppi catalitici nella posizione corretta, senza dover cercare uno spazio adatto all’interno di proteine già esistenti.

La fase successiva consiste nel generare numerose strutture possibili e proporre le relative sequenze di amminoacidi. I modelli informatici valutano quindi la probabilità che ciascun candidato si ripieghi correttamente, che il sito attivo conservi la forma prevista e che la molecola coinvolta nella reazione disponga dello spazio necessario. Alcuni metodi più recenti esaminano diversi momenti della trasformazione chimica, perché un enzima efficace deve guidare una successione di cambiamenti e non limitarsi a mantenere una singola configurazione immobile. Questo approccio riduce il lavoro sperimentale necessario, ma anche i progetti con le valutazioni migliori rimangono ipotesi finché non vengono realizzati e verificati.

La validazione in laboratorio rappresenta il passaggio decisivo. In genere, gli scienziati ordinano il DNA che contiene le istruzioni per produrre la proteina selezionata, utilizzano cellule viventi per sintetizzarla, purificano il materiale ottenuto e lo mettono a contatto con la sostanza prevista. Misurano quindi se si forma il prodotto atteso, quanto rapidamente procede la reazione e con quale regolarità l’enzima svolge la propria funzione. Gli esperimenti di controllo permettono di stabilire se il risultato dipenda effettivamente dalla proteina progettata e non da una reazione spontanea o da altri fattori. Un risultato positivo dimostra una reale attività catalitica, ma servono ulteriori verifiche per stabilire se l’enzima sia selettivo, resistente e utile anche al di fuori di condizioni sperimentali rigorosamente controllate.

Le scoperte di laboratorio che hanno dimostrato il potenziale dell’IA

Uno studio pubblicato su Science nel 2025 ha presentato nuove idrolasi seriniche progettate artificialmente, enzimi che rompono determinati legami chimici grazie all’azione coordinata di un gruppo di amminoacidi. I ricercatori hanno combinato RFdiffusion con un altro metodo basato sulle reti neurali per valutare se il sito attivo potesse mantenere la propria funzionalità durante le diverse fasi della reazione. I risultati di laboratorio hanno mostrato efficienze catalitiche fino a 4.300 M⁻¹ s⁻¹, un parametro standard utilizzato per misurare le prestazioni degli enzimi. Inoltre, le strutture proteiche osservate sperimentalmente corrispondevano molto da vicino alle previsioni. Un aspetto particolarmente importante è che gli enzimi progettati presentavano ripiegamenti strutturali diversi da quelli delle idrolasi seriniche naturali.

Un altro progresso è stato descritto su Nature in uno studio pubblicato online nel dicembre 2025 e incluso nel numero di gennaio 2026 della rivista. I ricercatori hanno introdotto Riff-Diff, un metodo che combina strutture proteiche generate dall’intelligenza artificiale con un perfezionamento dettagliato dei rispettivi siti catalitici. Sono stati creati enzimi destinati a due reazioni distinte: la scissione retro-aldolica e la reazione di Morita–Baylis–Hillman, che permette di formare un legame carbonio-carbonio. Le misurazioni strutturali effettuate su sei progetti hanno inoltre confermato una notevole corrispondenza con i siti attivi previsti, dimostrando che è possibile costruire sistemi catalitici organizzati con precisione all’interno di nuove strutture proteiche.

In un altro studio pubblicato su Nature nel 2026, i ricercatori hanno utilizzato RFdiffusion2 per creare enzimi contenenti zinco, capaci di favorire la rottura di legami chimici mediante l’intervento dell’acqua. Hanno verificato sperimentalmente 96 progetti iniziali e successivamente altri 96, identificando diversi catalizzatori attivi. I migliori progetti della seconda serie hanno raggiunto efficienze catalitiche fino a 53.000 M⁻¹ s⁻¹, mentre una struttura cristallina misurata sperimentalmente ha mostrato una stretta corrispondenza con la previsione informatica. Un lavoro correlato pubblicato su Nature Methods ha dimostrato che RFdiffusion2 riusciva a gestire tutte le 41 disposizioni dei siti attivi previste da un test computazionale, rispetto alle 16 ottenute con un approccio precedente.

Quali cambiamenti possono introdurre gli enzimi artificiali nella pratica

La medicina e la produzione di sostanze chimiche specializzate rappresentano due settori di particolare interesse. Un composto chimico può esistere in due forme speculari, ma soltanto una potrebbe essere desiderabile nella composizione di un medicinale. Gli enzimi possono favorire la produzione di una forma specifica, riducendo potenzialmente i sottoprodotti indesiderati e le successive operazioni di purificazione. In una ricerca pubblicata su Science nel 2025, gli scienziati hanno costruito nuove proteine attorno a molecole contenenti metalli e dimostrato la loro capacità di catalizzare reazioni, tra cui la ciclopropanazione. Quattro dei dieci progetti sottoposti a verifica hanno raggiunto una preferenza superiore a 99:1 per una delle due forme speculari del prodotto.

Le applicazioni ambientali costituiscono un’altra ragione importante per sviluppare catalizzatori con nuove capacità. L’enzima FAST-PETase, spesso citato come esempio, dimostra sia il potenziale di questa tecnologia sia una distinzione fondamentale: lo studio pubblicato su Nature nel 2022 ha utilizzato l’apprendimento automatico per migliorare un enzima già esistente, capace di degradare la plastica, anziché crearne uno completamente nuovo. Negli esperimenti di laboratorio, i ricercatori hanno registrato una degradazione quasi completa di campioni appartenenti a 51 tipologie di imballaggi in PET post-consumo nell’arco di una settimana. I risultati hanno mostrato come l’ingegneria enzimatica assistita dall’IA possa contribuire al riciclo, senza però dimostrare che ogni tipo di plastica possa essere trattato efficacemente su scala industriale.

Anche la produzione alimentare, l’industria tessile e la fabbricazione di prodotti chimici ad alto valore aggiunto potrebbero beneficiare di enzimi progettati per materiali e condizioni di lavorazione specifici. Invece di adattare un intero stabilimento alle esigenze di una proteina naturale poco resistente, i ricercatori potrebbero sviluppare catalizzatori capaci di tollerare le temperature, i livelli di acidità o i solventi richiesti dal processo produttivo. I vantaggi pratici dipenderebbero comunque dall’intero ciclo di lavorazione: dal costo di produzione della proteina alla durata della sua attività, fino alla possibilità di riutilizzarla. Il confronto realmente significativo non è quindi soltanto tra intelligenza artificiale e natura, ma riguarda costi, affidabilità e impatto ambientale dell’intero processo industriale.

Che cosa la progettazione proteica con l’IA non può ancora garantire nel 2026

La principale difficoltà scientifica deriva dal fatto che l’attività di un enzima dipende dal movimento e dalle trasformazioni chimiche, non soltanto dalla precisione della sua struttura. Un sito catalitico può apparire esattamente come previsto, ma interagire con l’acqua in modo scorretto, trattenere troppo saldamente la molecola bersaglio oppure non riuscire a rilasciare il prodotto finale. Una reazione può comprendere diverse fasi, ciascuna delle quali richiede una disposizione leggermente differente degli atomi. I metodi più recenti basati sull’IA stanno migliorando nella capacità di considerare questi cambiamenti, ma molti enzimi naturali continuano a superare quelli artificiali in termini di prestazioni. Le misurazioni di laboratorio rimangono indispensabili per distinguere i catalizzatori realmente utili dalle proteine che sembrano promettenti soltanto nelle simulazioni informatiche.

Le difficoltà pratiche non scompaiono nemmeno quando una reazione ha successo. Alcune proteine artificiali sono difficili da produrre in quantità sufficienti, mentre altre perdono la propria attività durante la conservazione o nelle condizioni tipiche dei processi industriali. I ricercatori devono esaminare le reazioni secondarie indesiderate, la riproducibilità dei risultati, la sicurezza e gli effetti delle sostanze presenti nelle miscele utilizzate nella produzione reale. Per le applicazioni mediche sarebbero inoltre necessarie prove aggiuntive sulla qualità e sull’idoneità dell’enzima all’impiego previsto. Un progresso responsabile richiede che i limiti delle nuove tecnologie vengano documentati con la stessa chiarezza dei risultati positivi.

Nel 2026, gli enzimi progettati mediante intelligenza artificiale non rappresentano più soltanto un’interessante ipotesi scientifica. I ricercatori hanno costruito strutture proteiche mai osservate prima, ne hanno confermato sperimentalmente la forma e hanno dimostrato che possono catalizzare determinate reazioni chimiche. La prossima sfida consiste nel rendere questi risultati meno eccezionali: affrontare un numero maggiore di reazioni, ridurre i progetti che non funzionano e ottenere catalizzatori capaci di mantenere la propria efficacia in condizioni operative impegnative. Il cambiamento più importante non è che i computer abbiano sostituito la ricerca di laboratorio, ma che oggi gli scienziati possano partire da un obiettivo chimico preciso e costruire una nuova proteina per provare a raggiungerlo.