Il MIT ha pubblicato il 20 maggio 2026 un profilo sul lavoro di Connor Coley su modelli di AI chimica, in un campo dove tra 10^20 e 10^60 piccole molecole potrebbero avere potenziale farmacologico. Il punto non è solo usare algoritmi per cercare composti: è costruire sistemi che rispettino le regole della chimica mentre generano ipotesi.
La notizia conta perché sposta il baricentro del dibattito sull’AI scientifica. Per chi lavora in pharma, materiali, ricerca industriale o sviluppo software applicato alla scienza, il tema non è avere un modello più brillante nella conversazione, ma un modello meno incline a produrre risposte fisicamente impossibili. In settori dove ogni esperimento costa tempo, reagenti e persone qualificate, un errore plausibile ma falso non è rumore: è budget sprecato.
Perché il lavoro del MIT conta
Coley, professore associato al MIT tra ingegneria chimica, informatica ed electrical engineering, lavora sull’intersezione tra apprendimento automatico e sintesi chimica. Il suo laboratorio sviluppa modelli per analizzare composti, progettare nuove molecole e prevedere percorsi di reazione che permettano di produrle.
Il profilo pubblicato da MIT News non annuncia un singolo prodotto commerciale. Mette però insieme una linea di ricerca ormai leggibile: portare i modelli generativi dentro un dominio dove non basta combinare token, parole o frammenti molecolari. Una molecola deve rispettare vincoli: massa, elettroni, geometria tridimensionale, interazioni con una proteina bersaglio. Se questi vincoli entrano nel modello, l’AI diventa uno strumento più vicino al ragionamento di un chimico; se restano fuori, rischia di produrre scorciatoie eleganti e inutilizzabili.
“Stiamo cercando di dare al modello generativo più intuizione da chimica medicinale.” — Connor Coley, MIT
Questa frase è importante perché chiarisce l’ambizione reale: non sostituire il chimico con una macchina che indovina molecole, ma trasferire nel modello una parte delle regole che un esperto usa quando valuta se una struttura ha senso.
Come funziona l’AI chimica di FlowER
Il caso tecnico più concreto è FlowER, acronimo di Flow matching for Electron Redistribution. Lo studio, pubblicato su Nature il 20 agosto 2025, descrive un modello che riformula la previsione delle reazioni come ridistribuzione di elettroni. In pratica, invece di osservare solo reagenti e prodotti finali, FlowER prova a seguire il meccanismo intermedio con cui la reazione evolve.
Qui entra il vincolo decisivo: la conservazione della massa. Un modello linguistico applicato alla chimica può trattare atomi o frammenti come token e generare una risposta apparentemente valida, ma senza garanzia che gli atomi non compaiano o spariscano. FlowER usa una rappresentazione a matrice legame-elettrone per conservare sia atomi sia elettroni, riducendo le cosiddette allucinazioni fisiche: previsioni formalmente plausibili, ma incompatibili con una reazione reale.
Secondo il paper, il modello è stato addestrato con dati su oltre 1 milione di reazioni derivate da un database dell’Ufficio brevetti statunitense. È un dato forte, ma non chiude la questione. Gli stessi ricercatori segnalano limiti importanti: il sistema vede ancora poco alcune chimiche con metalli e cicli catalitici, cioè aree essenziali per molte applicazioni industriali.
Dalla previsione alla progettazione di molecole
L’altro tassello è ShEPhERD, un modello generativo 3D descritto in un preprint aggiornato nel marzo 2025. Il nome sta per Shape, Electrostatics, and Pharmacophore Explicit Representation Diffusion: in termini più semplici, il modello non guarda solo alla struttura della molecola, ma anche a forma tridimensionale, distribuzione elettrostatica e farmacofori, cioè le caratteristiche chimiche che favoriscono l’interazione con un bersaglio biologico.
È un cambio di prospettiva rispetto a molti strumenti di screening virtuale. Invece di cercare in una libreria enorme molecole già esistenti, ShEPhERD prova a generare candidati con profili di interazione desiderati. Il MIT scrive che questo modello è già usato da aziende farmaceutiche per supportare la scoperta di nuovi farmaci, ma il punto da trattenere è più prudente: questi sistemi possono restringere meglio lo spazio di ricerca prima del laboratorio, non validare automaticamente una terapia.
Nel panorama AI, questa è una correzione utile alla narrativa dei modelli sempre più grandi. In chimica, più parametri non bastano se il modello non sa rispettare le leggi del dominio. La direzione interessante è ibrida: dati sperimentali, architetture generative, vincoli fisici e codice aperto quando possibile. FlowER, per esempio, indica repository pubblici per codice e dataset, un dettaglio che conta per verificabilità e riuso.
Cosa cambia per chi legge dall’Italia
Chi segue il settore sa che l’AI scientifica entra davvero nelle aziende quando smette di essere una demo e diventa parte di un flusso sperimentale controllabile. Per farmaceutica, chimica fine, materiali e biotech italiane, il messaggio è concreto: valutare questi strumenti non significa chiedere solo accuratezza media, ma anche copertura del dominio, gestione dei casi fuori distribuzione, tracciabilità dei dati e rispetto dei vincoli fisici.
Per un laboratorio universitario o una PMI che collabora con centri di ricerca, la lezione operativa è immediata. Un modello utile non è quello che propone la molecola più sorprendente, ma quello che permette di scartare prima le ipotesi impossibili, documentare il perché di una previsione e decidere quali esperimenti meritano banco, reagenti e settimane di lavoro. Nel mercato italiano dell’innovazione applicata, questa è la differenza tra comprare AI come promessa e usarla come infrastruttura scientifica.