Un protocollo scientifico può stabilire che una reazione debba durare 90 secondi. Ma cosa succede se, nella pratica, un ricercatore la lascia andare per 120 senza nemmeno accorgersene? È uno dei casi emersi nel lavoro di Transfyr, startup statunitense che usa intelligenza artificiale, videocamere e sensori per registrare ciò che succede davvero sul banco di laboratorio, e non soltanto quello che viene annotato a posteriori.
Il caso nasce da una collaborazione con il laboratorio di Jonathan Livny, ricercatore del Broad Institute. Durante una delle osservazioni, due tecnici stavano eseguendo lo stesso protocollo di sequenziamento dell’RNA. Nella fase di frammentazione, necessaria per ottenere frammenti della dimensione adatta al sequenziamento, entrambi impostavano un timer da 90 secondi. Una delle operatrici, Charlie Low, avviava però la reazione prima di far partire il timer e, quando questo suonava, tornava al campione per interromperla. Così il tempo reale arrivava con una certa regolarità a circa 120 secondi. Ed è proprio lei, secondo quanto raccontato, ad aver ottenuto i risultati migliori. Ma com'è possibile?
Le “mani magiche” che non finiscono nei protocolli
Nei laboratori si parla talvolta di “magic hands”, mani magiche, per descrivere quei ricercatori che riescono a far funzionare con continuità procedure con cui altri colleghi hanno più difficoltà. Non c’è necessariamente nulla di misterioso, una parte della spiegazione può risiedere in quella che viene definita tacit knowledge, conoscenza tacita: piccoli gesti, tempi, accortezze e decisioni appresi con l’esperienza, ma difficili da tradurre in un protocollo.
Anche un’istruzione apparentemente semplice come “mescolare bene”, in fondo, lascia spazio a interpretazioni molto diverse. Sul sito di Transfyr lo stesso passaggio viene eseguito in più modi: con una pipetta, invertendo la provetta, agitandola a mano oppure usando un vortex. Sembrano differenze minori, ma in laboratorio possono incidere sul risultato o, più semplicemente, rendere più difficile trasferire una procedura da una persona all’altra.
Telecamere e AI per ricostruire l’esperimento
È proprio questa parte invisibile del lavoro che Transfyr prova a rendere osservabile. Gli scienziati possono indossare una piccola telecamera sulla testa, mentre altre camere riprendono il banco dall’alto e lateralmente. A queste si aggiungono audio, dati ambientali, informazioni sugli strumenti e altri metadati legati all’esperimento.
A quel punto entrano in gioco i modelli di AI, che analizzano il materiale raccolto per riconoscere mani, oggetti, azioni e tempi, così da ricostruire la procedura passo dopo passo. Lo scopo non è soltanto verificare se qualcuno abbia seguito le istruzioni, ma confrontare esecuzioni diverse della stessa procedura e far emergere variazioni che normalmente non verrebbero annotate.
Secondo l’azienda, in uno dei primi utilizzi il sistema è riuscito anche a ricostruire un errore di pipettaggio: un’operatrice aveva saltato una fila di pozzetti, mentre il quaderno riportava una sequenza diversa. Grazie ai dati raccolti, sarebbe stato possibile identificare i campioni coinvolti prima della successiva, e costosa, fase di sequenziamento.
I 30 secondi non dimostrano ancora una causa
Il caso dei 90 secondi diventati 120 è probabilmente il più immediato da capire, ma va letto con cautela. Il fatto che l’operatrice fuori protocollo ottenesse risultati migliori non basta, da solo, a dimostrare che fossero proprio quei 30 secondi aggiuntivi a fare la differenza. Per parlarne in termini causali bisognerebbe isolare quella variabile e ripetere il test in condizioni controllate.
Eppure è un approccio interessante perché, senza una registrazione dettagliata dell’esecuzione, la differenza sarebbe con ogni probabilità rimasta invisibile. Un protocollo dice cosa dovrebbe essere fatto, ma il sistema di Transfyr prova invece a conservare anche come è stato fatto, con tempi reali, sequenze effettive e deviazioni.
Metodo replicabile?
Dietro Transfyr ci sono Anna Marie Wagner, ex Ginkgo Bioworks, e Renee Wegrzyn, già direttrice di ARPA-H, l’agenzia statunitense che finanzia progetti ad alto rischio nel campo della salute. Nell’agosto 2026 la startup ha reso pubblico il proprio lavoro e ha annunciato di aver raccolto 25 milioni di dollari da investitori guidati da General Catalyst, risorse che serviranno anche a sviluppare ulteriormente il sistema e ad ampliarne l’uso.
Oggi una parte dei test viene svolta nel laboratorio dell’azienda a Cambridge, Massachusetts, ma il progetto vuole soprattutto a capire se questo tipo di registrazione possa essere utile quando una procedura deve passare da una persona a un’altra, oppure da un laboratorio a un altro, "ping-pong" durante cui le istruzioni scritte rischiano di perdere per strada dettagli imparati, magari, con l’esperienza.
Lo stesso vale per l’automazione. Se alcune di queste procedure verranno affidate sempre più spesso a sistemi robotici, descrivere con precisione tempi, movimenti e sequenze potrebbe aiutare a trasformare il lavoro manuale in istruzioni più complete e meno ambigue.
Resta comunque da verificare quanto tutto questo migliori davvero la riproducibilità degli esperimenti. Brian Nosek, studioso della replicazione scientifica citato dal New York Times e non coinvolto in Transfyr, ha osservato che per valutarlo servirebbero studi controllati condotti in più laboratori. Secondo Nosek, solo confrontando risultati ottenuti con e senza questo livello di monitoraggio si potrà capire quali differenze operative abbiano davvero un peso e quali, invece, siano semplicemente variazioni senza conseguenze.
