GPT-5.4 di OpenAI ha gestito quasi da solo un progetto di chimica medicinale — dalla revisione della letteratura fino ai dati validati in laboratorio — in circa due mesi e mezzo. Un chimico esperto avrebbe impiegato mesi. Un team, forse di più.
Il 18 giugno 2026, OpenAI ha pubblicato i risultati della collaborazione con Molecule.one e la piattaforma Maria AI di Arcadia Science. Il progetto aveva un obiettivo preciso: risolvere un problema tecnico reale nella sintesi di farmaci — non simularlo, non teorizzarlo. Farlo.
La reazione che i chimici non riuscivano a far funzionare bene
Il problema si chiama Chan-Lam coupling. È una reazione usata per costruire legami carbonio-azoto nella sintesi di molecole farmaceutiche — utile perché funziona in condizioni miti, senza reagenti aggressivi. Ma ha un limite che il settore conosce bene: quando coinvolge le sulfonamidi primarie, una categoria di composti presente in molti principi attivi, i rendimenti calano. Spesso troppo per essere utile su scala.
Questo non è un dettaglio tecnico secondario. Significa che molte molecole candidate come farmaci rimangono difficili da produrre in modo affidabile. Restano sulla carta. Migliorare quelle rese è un problema concreto, che rallenta lo sviluppo di farmaci reali.
Normalmente si risolve così: un team di chimici formula ipotesi, esegue esperimenti, analizza i dati, ricomincia. Mesi di lavoro, a volte senza risultati definitivi.
GPT-5.4 l’ha fatto in modo diverso
Non ha eseguito calcoli chimici. Ha diretto il progetto. Integrato nella piattaforma Maria AI di Arcadia Science, il modello ha ricevuto il problema e ha iniziato a lavorare: prima una revisione della letteratura scientifica sul Chan-Lam coupling, poi la generazione di proposte sperimentali, poi la loro classificazione e invio al laboratorio robotizzato di Molecule.one per l’esecuzione fisica.
Le reazioni sono state eseguite per davvero. Ma le decisioni — cosa testare, come leggere i dati, dove correggere la rotta — sono rimaste quasi interamente al modello. I ricercatori supervisionavano, non guidavano.
La piattaforma Maria ha eseguito 10.080 reazioni. Alla fine, un gruppo di chimici ha validato a mano 14 reazioni rappresentative per verificare che i risultati tenessero sul banco reale. Tutto il processo ha richiesto circa 2,5 mesi, più due settimane per il writeup.
I numeri: 88% e 83%
Le condizioni identificate dall’IA hanno migliorato le rese per l’88% degli acidi boronici testati e per l’83% delle sulfonamidi. Non su una selezione ristretta di composti scelti per fare bella figura: su una libreria ampia di substrati diversi.
Tradotto: decine di molecole che prima erano poco praticabili da sintetizzare tornano disponibili. Alcune di queste potrebbero diventare farmaci. Fino a ieri erano bloccate da un problema tecnico che un modello AI ha risolto in dieci settimane.
GPT-Rosalind, il modello dietro all’esperimento
Il lavoro fa parte dell’aggiornamento di GPT-Rosalind, il modello di OpenAI dedicato alle scienze della vita. Il nome viene da Rosalind Franklin, la chimica britannica il cui lavoro fu centrale per la scoperta della struttura del DNA — e che non ricevette il riconoscimento che meritava. Una scelta non casuale per un modello che punta ad accelerare ricerche che spesso restano nell’ombra.
La versione aggiornata presentata il 18 giugno porta le capacità agentiche di GPT-5.5 — migliore uso degli strumenti, più autonomia nelle sequenze di azioni — su domini specifici come chimica medicinale e genomica. OpenAI punta a integrarlo in ambienti di ricerca industriale entro fine anno.
Perché questo è diverso dagli altri esperimenti con l’IA in chimica
I modelli AI specializzati per la chimica esistono da anni. Predicono se una molecola è sintetizzabile, stimano proprietà biologiche, suggeriscono strutture. Sono strumenti verticali, costruiti per fare una cosa specifica.
GPT-5.4 non è stato addestrato per la chimica medicinale. È un modello generale che ha usato ragionamento generale per coprire l’intero ciclo: revisione della letteratura, progettazione degli esperimenti, lettura dei dati, decisioni su cosa fare dopo. Nessuno gli aveva insegnato il Chan-Lam coupling. Lo ha studiato, proposto soluzioni, e quelle soluzioni hanno funzionato.
La differenza tra “assistente del chimico” e “chimico” è sempre stata chiara. Questo esperimento la rende meno chiara.
Molecule.one allarga il campo, OpenAI guarda all’industria
Molecule.one ha già annunciato che estenderà la collaborazione ad altre reazioni con limitazioni simili. Il Chan-Lam coupling con sulfonamidi primarie era il banco di prova. Adesso hanno i dati per andare avanti.
La domanda che rimane non è se i modelli AI siano in grado di fare ricerca chimica. Lo sono. È quanto velocemente il settore farmaceutico — con i suoi cicli di sviluppo da dieci anni, le sue approvazioni regolatorie, i suoi miliardi di costi — riuscirà ad assorbire questo tipo di strumento. O quanto tempo ci vorrà prima che qualcuno si accorga che forse quella molecola sul fondo del cassetto meritava un’altra chance.
Lascia un commento