Una zuppa chiamata mesoscala

Due anni fa, più o meno in questi giorni, a Trento abbiamo fatto una cosa un po' strana. Abbiamo organizzato una conferenza scientifica cercando deliberatamente di evitare una delle attività preferite dagli scienziati durante le conferenze scientifiche: raccontare quanto è meraviglioso il proprio metodo. Non è stato facilissimo. Chi sviluppa un metodo computazionale tende infatti ad avere con esso una relazione molto simile a quella che alcuni genitori hanno con i propri figli: è il più bello, il più intelligente, risolve problemi che gli altri non riescono neppure a comprendere e, se non funziona, quasi certamente è colpa dell'utente. Noi volevamo provare a fare il contrario. Il workshop si chiamava Biomolecular Simulations at the Mesoscale e l'idea, nata insieme a Sarah Harris, Angelo Rosa, Ralf Everaers, Garegin Papoian e tanti altri colleghi, era abbastanza semplice da enunciare e molto più complicata da realizzare: invece di partire dai metodi, partiamo dai problemi. Chiediamo ai colleghi sperimentali che cosa riescono a vedere oggi e, soprattutto, che cosa non riescono ancora a capire. Poi mettiamo nella stessa stanza fisici teorici, chimici computazionali, modellisti, esperti di simulazioni, di membrane, di polimeri, di fluidodinamica, di cromatina, di proteine, e vediamo se viene fuori qualcosa. In altre parole: meno "guardate quanto è bello il mio martello", più "qual è esattamente il chiodo che dobbiamo piantare?".

La formula della conferenza era costruita proprio così. Pochi interventi tradizionali, problemi concreti portati soprattutto dal mondo sperimentale, molto tempo lasciato alla discussione e gruppi di lavoro che alla fine dovevano restituire qualcosa, non necessariamente una soluzione. Anzi, molto spesso una lista di problemi nuovi. Che, in scienza, è già un risultato piuttosto dignitoso. Due anni dopo, tutto quel lavoro è diventato un articolo. E devo confessare che questa è forse la cosa che mi piace di più: non è il classico articolo nato perché qualcuno ha fatto una simulazione e poi ha cercato di convincere il resto del mondo che fosse importantissima. È il risultato di una conversazione collettiva su un campo che, in qualche modo, stavamo cercando di definire mentre ne parlavamo. Il titolo è Meso-soup: A Community Approach to Building a Computational Description of the Biological Mesoscale. Sì, Meso-soup. Non saprei neanche come tradurlo in italiano: zuppa mesoscalare? Il nome può sembrare poco solenne per un articolo scientifico, ma in realtà funziona benissimo. Perché il problema è proprio questo: alla mesoscala dobbiamo mettere insieme ingredienti molto diversi e sperare che, invece di produrre un intruglio immangiabile, venga fuori qualcosa di utile.

Ma che cos'è questa benedetta mesoscala? Quando facciamo dinamica molecolare atomistica, siamo abituati a descrivere proteine, DNA, membrane e altre biomolecole seguendo il moto dei singoli atomi. È una rappresentazione meravigliosamente dettagliata. Vediamo legami a idrogeno che si formano e si rompono, catene laterali che cambiano orientamento, molecole d'acqua che entrano e escono da una cavità. Insomma, guardiamo la biologia con una lente molto potente. Il problema è che una cellula non è una proteina immersa ordinatamente in una scatola d'acqua. Una cellula eucariotica contiene qualcosa come 100 mila miliardi di atomi. Le simulazioni atomistiche che oggi consideriamo gigantesche arrivano magari a 10 milioni, 100 milioni o, in casi particolarmente eroici, 1 miliardo di atomi. Tra le due cose c'è un piccolo problema: mancano parecchi zeri. E non basta aspettare il prossimo supercomputer.

Se volessimo simulare atomisticamente qualcosa come la divisione di una cellula eucariotica, dovremmo aumentare enormemente non soltanto le dimensioni del sistema, ma anche i tempi simulati: da nanosecondi o microsecondi fino a minuti o ore. A quel punto persino i supercomputer più potenti cominciano a guardarci con una certa preoccupazione. Ed è qui che compare la mesoscala. È quella terra di mezzo tra la singola biomolecola e la cellula intera. Troppo grande per trattare tutto atomo per atomo. Troppo piccola e troppo strutturata per poterla descrivere semplicemente come un materiale continuo. E, come tutte le terre di mezzo, è un posto piuttosto complicato.

Possiamo, per esempio, prendere una proteina e progressivamente ridurne il dettaglio. Prima descriviamo tutti gli atomi. Poi raggruppiamo più atomi in particelle effective, nei modelli cosiddetti coarse grained. Poi possiamo spingerci ancora oltre e rappresentare la stessa proteina come una rete, o addirittura come un oggetto continuo suddiviso in una mesh. Nel nostro articolo c'è una figura che mostra proprio questo passaggio utilizzando la dineina, un gigantesco motore molecolare. La stessa molecola viene vista prima quasi atomo per atomo, poi progressivamente semplificata, fino a trasformarsi in una struttura reticolare. È un po' come guardare Trento prima con Google Street View, poi con Google Maps, poi sulla cartina del Trentino e infine su quella dell'Europa. Non esiste una scala "vera": dipende dalla domanda. Se volete sapere dov'è il bar più vicino, la cartina dell'Europa è poco utile. Se volete andare da Trento a Copenhagen, conoscere il colore della porta del bar diventa un dettaglio superfluo. E forse uno dei messaggi più importanti del lavoro è proprio questo: più dettaglio non significa necessariamente più comprensione. Per chi viene dalla dinamica molecolare atomistica (e io sono tra questi) è un'affermazione quasi eretica.

Abbiamo passato decenni a inseguire risoluzioni sempre maggiori. Più atomi, più acqua, campi di forza e modelli migliori, tempi più lunghi. Tutto giustissimo. Ma se vogliamo capire fenomeni che emergono quando migliaia o milioni di biomolecole interagiscono, forse dobbiamo imparare anche l'arte di dimenticare. Dimenticare alcuni dettagli per conservare quelli importanti. Che poi è esattamente quello che facciamo continuamente anche nella vita, anche se con risultati molto meno controllabili. Il problema è decidere cosa dimenticare. Per una membrana possiamo passare da singoli atomi a gruppi di lipidi, poi a superfici elastiche. Per il DNA possiamo costruire modelli che vanno dalle basi atomistiche a filamenti semplificati fino a rappresentazioni che somigliano un po' alle corde per legare le navi. Per le proteine è più difficile, perché hanno la fastidiosa abitudine di cambiare forma, ripiegarsi, dispiegarsi, interagire e spesso comportarsi in modi che mandano in crisi proprio le nostre semplificazioni.

E poi una cellula non è neppure un sistema all'equilibrio: è viva, consuma energia continuamente. Le membrane mantengono gradienti elettrochimici. I motori molecolari camminano. Il citoscheletro si costruisce e si smonta. Molecole vengono prodotte, degradate, trasportate. Insomma, mentre cerchiamo di fare la fotografia, il soggetto corre. E questo apre un altro problema enorme: il tempo. Quando eliminiamo gradi di libertà in un modello coarse grained, spesso acceleriamo artificialmente la dinamica. La struttura può sembrare giusta, ma quanto tempo rappresenta davvero un microsecondo simulato? È un microsecondo? Dieci? Cento? Dipende.

Una delle cose che abbiamo scritto è proprio che abbiamo bisogno di modi molto più sistematici per collegare i tempi delle simulazioni ai tempi degli esperimenti. Ed è qui che torna il motivo per cui il workshop era organizzato in quel modo. Non possiamo costruire la mesoscala soltanto partendo dai nostri modelli: servono gli esperimenti. Negli ultimi anni tecniche come la tomografia crioelettronica (cryo-ET) stanno iniziando a mostrarci la struttura interna delle cellule con un livello di dettaglio straordinario. Tecniche di microscopia seguono singole proteine nel loro ambiente cellulare. Scattering, spettroscopie e metodi -omici producono quantità gigantesche di informazioni. Il problema è che nessuna tecnica vede tutto. Una vede bene la struttura. Un'altra la dinamica. Un'altra ancora la composizione. La simulazione può diventare il posto in cui questi frammenti di realtà vengono messi insieme. E questa, devo confessare, è una delle idee che trovo più affascinanti. Il modello non serve a sostituire l'esperimento. Serve a costringerci a verificare se informazioni provenienti da esperimenti diversi possono davvero convivere nello stesso mondo.

Naturalmente, nel 2026, non poteva mancare l'intelligenza artificiale. Nel nostro articolo discutiamo anche di come l'AI potrebbe aiutare a collegare le scale. Per esempio imparando automaticamente parametri coarse grained da simulazioni atomistiche, oppure facendo il percorso inverso: prendere una configurazione grossolana e ricostruire possibili dettagli atomici. In prospettiva potremmo addirittura immaginare simulazioni capaci di cambiare risoluzione mentre stanno girando: una regione tranquilla della cellula rimane descritta grossolanamente, mentre dove sta succedendo qualcosa di interessante riappaiono gli atomi. Una specie di zoom computazionale intelligente. Naturalmente, come sempre quando compare la parola "intelligenza artificiale", bisogna evitare la fase successiva del ragionamento contemporaneo: "Perfetto, allora abbiamo risolto tutto." No. Abbiamo semplicemente ottenuto nuovi strumenti con cui creare problemi molto più sofisticati.

Ma la parte dell'articolo a cui sono forse più affezionato non riguarda né l'intelligenza artificiale né qualche nuovo algoritmo. Riguarda noi. Gli scienziati. Perché ci siamo resi conto che molti degli ostacoli alla mesoscala non sono tecnologici. Sono culturali. Ogni comunità ha i propri programmi, i propri formati, le proprie convenzioni, il proprio vocabolario e naturalmente la convinzione che il proprio modo di fare le cose sia quello ragionevole. Se vogliamo descrivere davvero sistemi biologici attraverso più scale, questi mondi devono cominciare a comunicare. Un simulatore atomistico deve riuscire a parlare con chi usa modelli nel continuo. Un esperto di membrane con chi studia cromatina. Un fisico con un biologo. Un codice con un altro codice. E possibilmente senza che tutti debbano riscrivere tutto da zero.

Da qui nasce l'idea della Meso-Soup: non un unico gigantesco software che faccia tutto (sarebbe ingestibile) ma una comunità di strumenti interoperabili, documentati, accessibili e riproducibili. Nell'articolo proponiamo per questo una roadmap ispirata ai principi FAIR: i software e i dati devono essere trovabili (Findability), accessibili (Accessibility), interoperabili (Interoperability) e riutilizzabili (Reusability). Sembra buon senso. In effetti lo è. Ed è proprio per questo che è sorprendentemente difficile da fare. Perché scrivere un nuovo codice è divertente. Documentare quello vecchio molto meno. Pubblicare un nuovo metodo porta articoli. Scrivere un manuale chiaro raramente porta una standing ovation. E imparare a usare il programma di un altro gruppo può essere molto meno gratificante che scriversene uno proprio. Il risultato è che nella ricerca finiamo spesso per risolvere cinquanta volte gli stessi problemi facili, mentre quelli veramente difficili rimangono lì a guardarci. La mesoscala non ce lo permette più. È troppo grande. Troppo complicata. Richiede troppe competenze diverse. Nessun gruppo può farcela da solo. 

Ed è probabilmente questa la cosa più importante uscita da quei giorni di Trento. Non abbiamo inventato la mesoscala biologica. Non abbiamo trovato il modello definitivo. Non abbiamo neppure deciso quale metodo sia "il migliore". Abbiamo fatto qualcosa che, forse, è ancora più utile. Abbiamo deciso che la domanda viene prima del metodo. E che per rispondere alle domande veramente difficili bisogna costruire una comunità capace di mettere insieme competenze diverse.

Due anni fa avevamo una stanza piena di scienziati, parecchi problemi sperimentali, lavagne piene di appunti e gruppi di persone che discutevano. Oggi abbiamo un articolo con una quarantina di autori. E una zuppa. Una Meso-Soup, per la precisione. Non sappiamo ancora esattamente quale sarà la ricetta finale. Ma almeno abbiamo finalmente deciso di cucinarla tutti insieme.