La "materia oscura" del corpo, illuminata dall'AI.

Intervista a Michael Skinnider, vincitore del Premio ICTP-IBM Brahmagupta 2026 per l’intelligenza artificiale.

Il 23 luglio 2026, all’ICTP di Trieste, Michael Skinnider ha ricevuto il Premio ICTP-IBM Brahmagupta per l’intelligenza artificiale, destinato a giovani scienziati impegnati nell’AI for Science. La motivazione riconosce il suo contributo all’applicazione dell’intelligenza artificiale alla scoperta biomedica e allo sviluppo di metodi capaci di far emergere una chimica fino a oggi sconosciuta.

Michael è un biologo computazionale e Assistant Professor al Lewis-Sigler Institute for Integrative Genomics e alla Ludwig Princeton Branch della Princeton University. Medico e ricercatore — ha conseguito sia l’MD sia il PhD alla University of British Columbia — guida un laboratorio che sviluppa metodi di machine learning per identificare molecole ancora sconosciute e studiarne il ruolo nella salute e nelle malattie.

Per farlo, il prof. Skinnider usa un "modello linguistico chimico" per cercare metaboliti* ancora sconosciuti. Ma tra una previsione dell’AI e una scoperta scientifica resta un passaggio decisivo: la prova sperimentale.

Uno spettrometro di massa può dirci che qualcosa è presente nel sangue, nelle urine o in un tessuto, senza riuscire a dirci esattamente che cosa sia. Registra un segnale, una sorta di impronta chimica. Ma all’impronta, spesso, non corrisponde ancora un nome.

Accade migliaia di volte in un singolo campione biologico. Gli strumenti vedono piccole molecole che la scienza non riesce ad associare con sicurezza a una struttura. Non è materia invisibile: è materia rilevata, ma rimasta indecifrata. Per questo i ricercatori la chiamano la “materia oscura” del metaboloma*.

Michael Skinnider cerca di illuminarla usando l’intelligenza artificiale.

Nell'aula Budinich dell'ICTP, circondato da personalità e ricercatori, dietro ad uno sguardo serio, si intravvede la sua passione. Dopo la cerimonia coglie cortesemente il mio invito a realizzare un'intervista e si sistema con calma. Michael è timido, educato, molto serio. Risponde con cautela, come chi è abituato a non promettere più di quanto i dati permettano di sostenere. Ed è proprio questa cautela a rendere ancora più interessante ciò che racconta.

Una molecola che non avrebbe dovuto “stare in piedi”

Tra le strutture proposte dall’AI, una lo ha sorpreso in modo particolare.

In base alle conoscenze chimiche disponibili, quella molecola sembrava improbabile. Quasi una costruzione che, sulla carta, non avrebbe dovuto reggersi. Il modello, tuttavia, continuava a indicarla come una possibilità.

Il gruppo ha deciso di metterla alla prova, e la molecola è stata sintetizzata in laboratorio: poteva esistere davvero!

Ogni scoperta diventa tale attraversando la fase dell"esperimento": «Dobbiamo verificarlo», mi spiega Skinnider. «E lo facciamo sintetizzando le molecole che l'Intelligenza Artificiale ci indica come possibile risposta». La sintesi in laboratorio dimostra che quella struttura chimica può “stare in piedi”; per stabilire se corrisponda davvero a un segnale osservato in un campione biologico o se possa realmente essere utile, ad esempio, per sintetizzare un farmaco, servono ulteriori confronti sperimentali.

L’intelligenza artificiale può quindi formulare un’ipotesi che un essere umano forse non avrebbe preso in considerazione. Può indicare un punto nel buio. Ma non può, da sola, trasformare quella possibilità in un fatto scientifico. La macchina propone; il laboratorio dispone.

Imparare il linguaggio della chimica

Il sistema sviluppato dal gruppo di Skinnider si chiama DeepMet ed è descritto in uno studio pubblicato su Nature.

Non è ChatGPT con un camice bianco. È un modello linguistico chimico, costruito con un’architettura LSTM, che impara dalle strutture dei metaboliti già conosciuti.

Per poterle leggere, le molecole vengono tradotte in sequenze di caratteri chiamate SMILES: una notazione che descrive quali atomi compongono una struttura e come sono legati tra loro. In questo modo una molecola diventa, almeno per la macchina, simile a una frase.

DeepMet è stato addestrato partendo da 2.046 metaboliti rilevati sperimentalmente in tessuti o fluidi umani. Il modello non riceve esplicitamente tutte le regole delle reazioni biochimiche: osserva le strutture esistenti e cerca di apprenderne la grammatica.

Una particolarità complica il lavoro. La stessa molecola può essere rappresentata attraverso diverse stringhe SMILES, come se una medesima frase potesse essere formulata in molti modi differenti. I ricercatori hanno utilizzato questi “sinonimi” chimici per ampliare i dati di addestramento.

Il modello ha quindi generato un’enorme quantità di strutture possibili. Quelle che ricomparivano più frequentemente nelle sue proposte venivano considerate candidate più plausibili: non certezze, ma strade da seguire.

Integrando queste previsioni con i dati della spettrometria di massa, i ricercatori hanno rivelato diverse decine di metaboliti nei mammiferi. Diciassette strutture previste da DeepMet sono state identificate in biofluidi umani attraverso il confronto con standard chimici, anche se una revisione della letteratura ha mostrato che alcune erano già conosciute e risultavano semplicemente assenti dal database utilizzato.

Anche questo dettaglio è importante. L’AI non produce soltanto “nuove molecole”: può far emergere i buchi delle nostre mappe, ritrovare sostanze dimenticate, correggere classificazioni incomplete e suggerire dove concentrare il lavoro sperimentale.

Un ecosistema chimico dentro di noi

Il metaboloma, come abbiamo visto, è l’insieme delle piccole molecole presenti nel nostro organismo. Alcune sono prodotte dalle cellule; altre arrivano da ciò che mangiamo, dai farmaci, dagli inquinanti, dall’ambiente o dai microrganismi che abitano il nostro intestino.

È un ecosistema chimico in continuo cambiamento.

Queste molecole possono influenzare il rischio di sviluppare una malattia, il modo in cui rispondiamo a un farmaco e la possibilità di individuare segnali utili per una diagnosi. Eppure la maggior parte dei segnali rilevati normalmente dalla spettrometria di massa non riesce ancora a essere associata con certezza a una struttura.

La torcia dell’AI serve a restringere lo spazio della ricerca. Non illumina contemporaneamente l’intera stanza e non garantisce che ogni forma intravista sia reale. Suggerisce dove dirigere lo sguardo.

Skinnider indica il cancro come uno degli ambiti nei quali questa ricerca potrebbe avere un impatto. Le cellule tumorali modificano il proprio metabolismo per crescere, trovare energia e interagire con l’ambiente circostante. Identificare molecole finora sconosciute potrebbe aiutare a comprendere meglio questi processi, individuare biomarcatori o suggerire nuovi bersagli terapeutici.

Il condizionale, però, è essenziale. Oggi siamo ancora nel territorio della ricerca, non davanti a una nuova cura. Prima che una molecola sconosciuta possa diventare utile per un paziente bisogna dimostrare che esiste, comprendere da dove proviene, ricostruirne la funzione e verificare se abbia davvero un rapporto con la malattia.

Tra il fascio di luce della torcia e il letto di un paziente c’è ancora un lungo corridoio.

"Partly it was luck"

Il percorso di Skinnider non è stato perfettamente lineare. Quando gli chiedo come abbia iniziato, ammette che una parte della storia è dovuta alla "fortuna": «Partly it was luck».

Da studente ottenne un posto in un laboratorio senza avere ancora una meta precisa nel campo delle scienze, senza sapere con precisione quale tipo di ricerca avrebbe voluto fare. Da lì ha attraversato campi differenti: le molecole prodotte dai batteri, le proteine, la neuroscienza, la biologia computazionale.

Non racconta questi passaggi come deviazioni, ma come esplorazioni necessarie.

A tal proposito, ai giovani ricercatori consiglia di non temere di cambiare direzione, di provare strade differenti e, soprattutto, consiglia di leggere molto. La conoscenza non procede sempre in linea retta: qualche volta un’intuizione nasce proprio quando strumenti e domande provenienti da territori lontani si incontrano... "per fortuna".

È ciò che è accaduto anche con DeepMet. L'idea geniale nell'epoca dei Large Language Models, è stata quella di tradurre le formule chimiche in "parole": in questo modello infatti, la chimica viene trattata come un linguaggio; un metodo sviluppato per apprendere sequenze viene usato per esplorare molecole; la capacità di generare testi o strutture diventa uno strumento per formulare ipotesi scientifiche.

Anche gli scienziati di successo hanno paure, ma soprattutto speranze.

Come forse sa chi ha letto le mie più recenti interviste, alla fine mi riservo sempre di chiedere all'intervistato quale sia la sua maggior paura, e la sua maggior speranza, riguardo l'Intelligenza Artificiale. Skinnider è ottimista sulle possibilità dell’intelligenza artificiale nella ricerca biomedica. Ma vede anche un rischio: ottenere rapidamente una risposta potrebbe sottrarre ai giovani scienziati proprio quella fatica attraverso la quale si impara.

Un sistema generativo può riassumere un articolo, suggerire del codice, scrivere una prima versione di un testo, fare delle proposte. È un aiuto potente. Ma la ricerca non consiste soltanto nell’arrivare a una risposta: significa imparare a costruire una domanda, riconoscere un errore, capire perché una strada non funziona e gestire la frustrazione. E significa anche gioire del risultato!

Un dispiacere, più che una preoccupazione, che accompagna l'entusiasmo di Michael verso l'Intelligenza Artificiale, è che saper scrivere bene perda valore nella scienza. Non perché l’AI scriva necessariamente meglio, ma perché può far sembrare meno importante il lavoro lento con cui un pensiero viene chiarito, organizzato e trasformato in parole: ricorda con ammirazione i paper degli anni Settanta, che potevano essere letti quasi come libri d’avventura.

E' facile immaginare il prof. Skinnider sorridere con un paper retrò in mano: ha un'aria senza tempo, e mentre apre le porte al futuro, guarda con nostalgia letteraria il passato che ci ha permesso di arrivare fin qui.

«Cool»

Michael Skinnider parla del premio con discrezione. Anche quando gli chiedo quale segno speri di lasciare, non usa parole monumentali: vorrebbe riuscire almeno a “make a dent”, a lasciare un segno, una traccia, nell’enorme universo chimico che resta ancora da esplorare.

Poi provo a spostarlo per un momento fuori dal linguaggio prudente della scienza.

Com’è essere già “famosi” così giovani? E, ancora di più, che effetto fa sentirsi parte di chi sta scrivendo un pezzo della storia della chimica?

Per un istante viene colto di sorpresa dal un suo stesso sorriso.

«Cool», risponde.

E gli si illuminano gli occhi.

*metabolita = piccola molecola prodotta, trasformata o utilizzata nelle reazioni chimiche dell’organismo; può anche provenire da alimenti, farmaci o microbiota.

*metaboloma = l’insieme di tutti i metaboliti presenti in un organismo, tessuto o fluido biologico in un determinato momento: una sorta di fotografia, in continuo cambiamento, della sua attività chimica.

Articolo realizzato da Chiara Meriani in collaborazione con ChatGPT in base ad appunti, slide, foto e interviste realizzate dall’autrice durante l’evento.