Mark Zuckerberg ha scelto il Treehouse Hotel di Sunnyvale, nel cuore della Silicon Valley, per rilanciare una delle ambizioni più radicali della ricerca biomedica contemporanea. Davanti a circa cento dirigenti tecnologici, scienziati e accademici, il fondatore di Meta ha ricordato come, quasi dieci anni fa, lui e la moglie Priscilla Chan avessero avviato il progetto oggi conosciuto come Biohub con un obiettivo che allora sembrava appartenere più alla fantascienza che alla pianificazione scientifica: prevenire e curare tutte le malattie entro la fine del secolo. «Molti ci hanno guardato con scetticismo», ha raccontato Zuckerberg, osservando che i progressi dell’intelligenza artificiale stanno modificando la percezione di ciò che è tecnologicamente possibile. La nuova iniziativa annunciata il 7 ottobre 2026 porta questa visione su un terreno più concreto, con un impegno complessivo dichiarato di 1,8 miliardi di dollari in finanziamenti, dati, capacità computazionale e tecnologie di misurazione biologica. Il progetto coinvolge Biohub, il Dipartimento dell’Energia statunitense, i National Institutes of Health e tre importanti protagonisti dell’intelligenza artificiale applicata alla scienza: Meta, Google DeepMind e Isomorphic Labs. Fonte ufficiale: Biohub.

Il centro dell’iniziativa è la cosiddetta Virtual Biology Initiative, lanciata inizialmente nell’aprile 2026 con un impegno di 500 milioni di dollari da parte di Biohub. L’obiettivo è costruire una base di dati biologici standardizzati, sufficientemente ricca e dettagliata da consentire lo sviluppo di modelli predittivi capaci di descrivere il comportamento delle cellule e anticiparne le reazioni a farmaci, modificazioni genetiche, condizioni ambientali e processi patologici. La promessa è significativa: consentire ai ricercatori di formulare ipotesi, eseguire esperimenti digitali e individuare le condizioni più interessanti da verificare successivamente in laboratorio. In prospettiva, una cellula virtuale potrebbe diventare per la biologia ciò che i modelli meteorologici sono per lo studio dell’atmosfera, con una differenza fondamentale: mentre il tempo atmosferico può essere descritto attraverso variabili fisiche relativamente ben caratterizzate, una cellula vivente è un sistema dinamico, altamente interconnesso e ancora solo parzialmente compreso. Simulare una parte del suo comportamento è già un obiettivo scientifico impegnativo; costruire un modello affidabile, capace di generalizzare tra tessuti, individui e condizioni biologiche differenti, appartiene a una categoria di difficoltà molto superiore.

La distribuzione degli impegni economici aiuta a comprendere la portata del progetto, ma richiede una precisazione. Biohub aveva già destinato 500 milioni di dollari all’iniziativa, di cui 400 milioni per nuove tecnologie di misurazione e 100 milioni per sostenere attività di ricerca esterne. Il Dipartimento dell’Energia contribuirà con oltre 500 milioni di dollari nell’arco di cinque anni, attraverso attività di ricerca, modellazione, calcolo scientifico e acquisizione di dati, facendo leva anche sulle infrastrutture dei laboratori nazionali statunitensi. Meta, Google DeepMind e Isomorphic Labs investiranno complessivamente altri 300 milioni di dollari. I National Institutes of Health, invece, coordineranno la disponibilità di archivi, repository e risorse scientifiche sviluppati grazie a oltre 500 milioni di dollari di investimenti federali precedenti. Quest’ultima componente è essenziale per interpretare correttamente la cifra complessiva: gli 1,8 miliardi annunciati non rappresentano esclusivamente nuovo denaro versato in cassa, ma comprendono anche risorse scientifiche già finanziate e contributi infrastrutturali. La differenza non è contabile soltanto in senso formale. In un settore nel quale la comunicazione tende a trasformare ogni annuncio in una cifra monumentale, distinguere tra nuovi capitali, dati esistenti e capacità tecnologiche messe a disposizione permette di misurare meglio l’effettiva dimensione dell’impegno.

La partecipazione delle aziende tecnologiche rivela inoltre un cambiamento nelle priorità strategiche dell’industria. Meta dispone di competenze nell’intelligenza artificiale e di infrastrutture computazionali su scala globale; Google DeepMind ha sviluppato sistemi avanzati per la ricerca scientifica, tra cui AlphaFold, che ha contribuito a trasformare lo studio delle strutture proteiche; Isomorphic Labs, nata da DeepMind, lavora invece sull’applicazione dell’intelligenza artificiale alla scoperta e alla progettazione di farmaci. Le tre organizzazioni hanno quindi un interesse comune, ma non identico, nella costruzione di modelli biologici predittivi. La disponibilità di dati sperimentali di qualità può migliorare i sistemi di apprendimento automatico, mentre modelli più accurati possono suggerire nuovi esperimenti, alimentando un ciclo di ricerca nel quale simulazione e laboratorio si rafforzano reciprocamente. Questa dinamica potrebbe ridurre il numero di esperimenti improduttivi e rendere più efficiente l’identificazione di molecole promettenti. Non significa, tuttavia, che un algoritmo possa sostituire automaticamente la sperimentazione biologica, né che una previsione computazionale equivalga alla dimostrazione di un effetto terapeutico.

Il riferimento storico scelto da Lori Goler, presidente della Chan Zuckerberg Initiative, è il Progetto Genoma Umano. Avviato ufficialmente nel 1990 e completato nella sua fase iniziale nel 2003, quel programma internazionale ha prodotto una risorsa fondamentale per la genetica moderna, rendendo disponibile una sequenza di riferimento del genoma umano e aprendo nuove possibilità per la ricerca sulle malattie ereditarie, la diagnostica e la medicina molecolare. La Virtual Biology Initiative aspira a un risultato comparabile per impatto, ma affronta un problema scientifico diverso. Sequenziare il DNA significa identificare l’ordine delle basi che costituiscono il materiale genetico; prevedere il comportamento di una cellula significa invece comprendere come geni, proteine, segnali chimici, metabolismo e ambiente interagiscano in un sistema che cambia continuamente. Il genoma è una componente essenziale della vita, non un manuale completo delle sue dinamiche. Una sequenza genetica, da sola, non rivela automaticamente come una cellula risponderà a un farmaco o perché due pazienti con caratteristiche apparentemente simili reagiranno in modo differente alla stessa terapia.

È proprio qui che la qualità dei dati diventa un fattore competitivo e scientifico decisivo. I modelli linguistici hanno beneficiato della disponibilità di enormi quantità di testi digitali, sebbene anche in quel caso volume, affidabilità e rappresentatività delle informazioni siano questioni centrali. La biologia non dispone di un equivalente perfettamente comparabile del web: i dati sono distribuiti tra laboratori, ottenuti attraverso strumenti differenti, raccolti secondo protocolli non sempre uniformi e spesso limitati a specifici tessuti, organismi o condizioni sperimentali. Due esperimenti possono produrre risultati difficili da confrontare se cambiano i metodi di misurazione, la preparazione dei campioni o le condizioni ambientali. Per questo Biohub intende investire anche in strumenti capaci di osservare le cellule con maggiore risoluzione, misurare le loro reazioni e generare dataset multimodali standardizzati. L’intelligenza artificiale, in altre parole, non può estrarre conoscenza affidabile da informazioni che non descrivono adeguatamente il fenomeno da comprendere. Aumentare la potenza di calcolo senza migliorare la qualità delle osservazioni rischierebbe di produrre modelli più sofisticati, ma non necessariamente più vicini alla realtà biologica.

Resta poi il problema della validazione. Un modello predittivo può ottenere risultati eccellenti sui dati utilizzati durante lo sviluppo e fallire quando viene applicato a cellule, tessuti o condizioni mai incontrati prima. In medicina questo limite assume conseguenze particolarmente rilevanti, perché una previsione apparentemente plausibile può orientare la ricerca verso una strada inefficace oppure sottovalutare un effetto indesiderato. La credibilità della cellula virtuale dipenderà quindi dalla capacità di anticipare risultati sperimentali indipendenti, quantificare l’incertezza e dimostrare che le proprie previsioni mantengono valore anche al di fuori dei casi già osservati. La sfida non consiste semplicemente nel costruire un modello che sappia descrivere ciò che è accaduto, ma nel produrre uno strumento capace di prevedere ciò che accadrà quando i ricercatori modificheranno deliberatamente un sistema biologico. È una distinzione che separa una rappresentazione statistica interessante da una tecnologia realmente utile alla scoperta di farmaci.

Anche la dimensione dell’accesso ai dati merita attenzione. Biohub presenta l’iniziativa come un progetto destinato a creare una risorsa aperta per la comunità scientifica internazionale, ma le informazioni pubblicate indicano che i partner commerciali avranno un periodo iniziale di accesso esclusivo ai dati generati, prima della loro disponibilità più ampia. Questo elemento introduce una tensione concreta tra interesse pubblico e vantaggio competitivo. Le risorse federali, gli investimenti filantropici e la partecipazione delle imprese possono accelerare la costruzione di un’infrastruttura scientifica difficilmente realizzabile da una singola organizzazione; allo stesso tempo, l’accesso anticipato può offrire alle aziende coinvolte un vantaggio nella progettazione dei modelli, nella selezione dei candidati farmaci e nello sviluppo di prodotti commerciali. La questione non è necessariamente incompatibile con la ricerca aperta, ma richiede regole trasparenti su proprietà intellettuale, tempi di pubblicazione, riproducibilità e accesso per i laboratori che non dispongono delle risorse finanziarie dei grandi gruppi tecnologici.

L’ambizione di Zuckerberg e Chan va dunque letta su due piani. Il primo è scientifico: generare dati biologici su scala molto più ampia, costruire modelli predittivi e ridurre i tempi necessari per individuare nuove strategie terapeutiche. Il secondo riguarda l’infrastruttura economica della ricerca, perché chi contribuisce a definire gli standard dei dati, gli strumenti di misurazione e le piattaforme computazionali può influenzare anche il modo in cui la ricerca futura viene condotta. Se la cellula virtuale dovesse diventare uno strumento affidabile, il suo valore non si limiterebbe alla scoperta di farmaci: potrebbe incidere sulla ricerca di base, sulla medicina di precisione e sulla comprensione delle interazioni tra sistemi biologici. Ma tra l’annuncio di un investimento e la disponibilità di cure efficaci esiste una distanza che nessuna presentazione aziendale può cancellare. Le malattie non sono un’unica equazione da risolvere e la biologia non segue necessariamente le stesse curve di crescita osservate nei modelli digitali. La promessa dei prossimi anni sarà quindi misurata non dalla capacità di produrre simulazioni spettacolari, ma dalla quantità di previsioni verificate, di esperimenti resi più efficienti e, infine, di trattamenti capaci di migliorare concretamente la vita dei pazienti.