La mappa dell'universo proteico CLSS unisce sequenza e struttura, ma non sostituisce AlphaFold

CLSS ha creato una mappa dell'universo proteico a 32 dimensioni che unisce sequenze di aminoacidi e strutture tridimensionali, nonostante i loro segnali spesso contrastanti. Il modello offre ai ricercatori un unico sistema di coordinate per confrontare domini proteici, indipendentemente dal fatto che partano da una sequenza, una struttura o un breve frammento.

Questa distinzione è importante perché CLSS non è un altro tentativo di prevedere miliardi di strutture proteiche. AlphaFold e sistemi correlati hanno già trasformato questo compito. CLSS affronta invece il problema organizzativo creato da tali previsioni: come i ricercatori possano orientarsi in enormi raccolte di proteine e riconoscere relazioni che un solo tipo di dato potrebbe non cogliere.

Lo studio sottoposto a revisione paritaria, pubblicato nell'agosto 2026, riporta che CLSS riproduce i principali schemi delle classificazioni proteiche elaborate da esperti senza utilizzare le loro etichette durante l'addestramento. Ha inoltre superato diversi protein language model più grandi in benchmark di classificazione selezionati. Il risultato mette in discussione un flusso di lavoro di ricerca consolidato che tratta l'analisi della sequenza e quella strutturale come fasi separate.

Cosa cambia davvero con la mappa dell'universo proteico CLSS

CLSS trasforma sequenza e struttura proteica in coordinate compatibili, spostando l'attenzione dalla previsione di singole forme all'organizzazione delle relazioni nello spazio proteico.

Ricercatori dell'Università di Haifa, dell'Università di Tel Aviv e dell'Earth-Life Science Institute hanno sviluppato Contrastive Learning Sequence-Structure, abbreviato in CLSS. Il loro studio su PNAS è stato pubblicato l'11 agosto 2026.

Una sequenza proteica elenca i suoi aminoacidi in ordine. Una struttura proteica descrive come quella catena occupa lo spazio tridimensionale. Entrambe contengono indizi sull'ascendenza e sulla funzione, ma non raccontano sempre la stessa storia.

Sequenze lontanamente correlate possono ripiegarsi in strutture simili. Anche sequenze strettamente correlate possono comportarsi diversamente dopo mutazioni, eventi di legame o cambiamenti ambientali. Questa relazione molti-a-molti rende difficile costruire una mappa proteica universale.

CLSS rappresenta ogni dominio proteico come un embedding, ovvero un vettore numerico che colloca gli oggetti correlati vicini tra loro. I suoi embedding finali contengono soltanto 32 dimensioni. I ricercatori possono proiettare questi vettori in due dimensioni per l'esplorazione visiva, mentre le ricerche di similarità operano sulla rappresentazione completa.

Il modello accetta come input una sequenza oppure una struttura. Cerca quindi di assegnare agli input di sequenza e struttura corrispondenti quasi lo stesso indirizzo. Questa proprietà è chiamata coembedding e indica che tipi di dati diversi condividono uno spazio di coordinate comparabile.

I sistemi esistenti possono anch'essi elaborare più modalità biologiche. Tuttavia, accettare più modalità non garantisce che le loro rappresentazioni siano allineate. Un modello potrebbe collocare la sequenza e la struttura della stessa proteina in regioni diverse perché ogni input segue una geometria interna separata.

I ricercatori riferiscono che CLSS evita questa separazione in modo più efficace di ESM3, ProstT5 e ProTrek nelle loro valutazioni. Le mappe derivate dalla sequenza di un dominio assomigliano molto a quelle derivate dalla sua struttura. Questa coerenza rende la visualizzazione più di una semplice coppia di atlanti affiancati.

Il modello è disponibile anche in due forme principali. CLSS-full abbina sequenze complete di domini alle rispettive strutture. CLSS-sub abbina le strutture a frammenti di sequenza, consentendo a pezzi più brevi di entrare nello stesso spazio rappresentazionale.

I domini proteici sono unità compatte che spesso possono ripiegarsi o funzionare con una certa indipendenza. L'evoluzione ricombina ripetutamente domini e frammenti più piccoli in nuove proteine. Un modello che posiziona in modo significativo i frammenti può quindi rivelare relazioni nascoste dai confronti tra proteine intere.

Questo è il cambiamento centrale dietro il titolo. Il modello non mostra letteralmente ogni proteina naturalmente possibile, un insieme illimitato che nessun database contiene. Offre un modo unificato per organizzare domini rappresentativi e proiettare raccolte proteiche più ampie in una mappa comune.

Questa impostazione è più precisa che affermare che l'AI abbia completato l'atlante della biologia. La mappa dell'universo proteico CLSS è un sistema analitico di coordinate, non un inventario definitivo di ogni proteina o funzione biologica.

Perché la ricerca sulle proteine aveva bisogno di un sistema di coordinate condiviso

La rapida espansione delle strutture previste ha creato un collo di bottiglia interpretativo che la sola previsione strutturale non può risolvere.

AlphaFold ha reso disponibili previsioni accurate delle strutture proteiche su una scala senza precedenti. Il suo database pubblico contiene oltre 200 milioni di strutture previste, che coprono proteine di organismi distribuiti lungo l'intero albero della vita.

Altri progetti hanno ampliato ulteriormente questo panorama. Una pubblicazione del 2026 basata su ESMFold2 ha generato un atlante aperto contenente oltre un miliardo di strutture proteiche previste, secondo i dettagli riportati sull'atlante. I ricercatori si trovano ora di fronte a molti più dati strutturali di quanti la classificazione manuale tradizionale possa comodamente assorbire.

Più strutture non producono automaticamente una maggiore comprensione biologica. Gli scienziati devono ancora determinare quali proteine siano correlate, quali regioni leghino molecole simili e quali somiglianze apparenti riflettano un'ascendenza condivisa.

Il confronto delle sequenze resta prezioso perché l'evoluzione lascia schemi riconoscibili nei residui. Tuttavia, questi schemi si erodono su scale temporali lunghe. Due proteine possono mantenere un ripiegamento correlato dopo che le loro sequenze sono diverte oltre la portata dei metodi di allineamento convenzionali.

Il confronto strutturale può recuperare alcune di queste connessioni distanti. Tuttavia, calcolare e cercare relazioni tridimensionali dettagliate in database enormi comporta costi sostanziali di calcolo e archiviazione. Le strutture sono inoltre indisponibili o incerte per molte sequenze.

Un embedding compatto offre un ulteriore livello tra i dati grezzi e il giudizio biologico. Una volta che una proteina diventa un breve vettore numerico, i ricercatori possono cercare elementi vicini senza riallineare ripetutamente ogni sequenza o struttura con ogni altra voce.

CLSS va oltre rendendo comparabili i vettori derivati dalla sequenza e dalla struttura. Un ricercatore che dispone soltanto di una sequenza può esplorare un panorama informato dalle relazioni strutturali. Un altro ricercatore può iniziare da una struttura nota e trovare vicini i cui schemi di sequenza offrono un contesto aggiuntivo.

Il team ha addestrato CLSS senza fornire etichette gerarchiche ECOD o CATH. ECOD e CATH sono sistemi curati da esperti che classificano i domini proteici in base a relazioni strutturali ed evolutive.

Nonostante questa omissione, le mappe risultanti avrebbero riprodotto gran parte della loro organizzazione gerarchica. Questo risultato è importante perché suggerisce che il modello abbia appreso relazioni presenti nei dati accoppiati di sequenza e struttura, anziché memorizzare le etichette di classificazione utilizzate per la valutazione.

La mappa può anche rivelare relazioni che non si adattano chiaramente a una gerarchia. Le classificazioni tradizionali collocano le proteine in gruppi annidati, simili ai rami di una tassonomia. L'evoluzione biologica non sempre si conforma a confini così ordinati.

I domini possono riutilizzare frammenti, scambiare componenti o passare attraverso forme intermedie. Una mappa continua può collocare esempi ambigui tra regioni consolidate invece di costringere ciascuno in un'unica casella.

Ricerche precedenti avevano già mostrato perché tali mappe siano utili. Uno studio del 2023 sulle proteine microbiche ha descritto uno spazio continuo dei ripiegamenti e identificato 438 strutture mai osservate prima, raggruppate in 148 potenziali nuovi ripiegamenti. La sua mappa delle proteine microbiche ha dimostrato che visualizzazioni a bassa dimensionalità possono rivelare relazioni graduali tra ripiegamenti apparentemente diversi.

CLSS applica un meccanismo e un obiettivo differenti. Apprende una rappresentazione condivisa da sequenze e strutture accoppiate, anziché utilizzare soltanto caratteristiche di grafi strutturali. Il risultato estende un più ampio spostamento dalla previsione delle proteine alla loro navigazione.

Questo cambiamento mette sotto pressione i team che mantengono pipeline isolate per sequenze e strutture. Strumenti separati restano necessari per il lavoro dettagliato, ma i loro output richiedono un livello comune di indicizzazione. In caso contrario, i ricercatori rischiano di creare database più grandi senza acquisire una capacità proporzionata di esplorarli.

Per i biologi computazionali, la lezione pratica ricorda un problema familiare nei sistemi di conoscenza. Raccogliere più materiale non risolve il problema della scoperta se il sistema non preserva connessioni significative. I team che gestiscono prove scientifiche dense affrontano lo stesso problema quando costruiscono una base di conoscenza ricercabile.

Come il contrastive learning unisce sequenza e struttura

CLSS riesce addestrando due percorsi di input a concordare sull'identità, preservando al contempo una variazione sufficiente a separare domini proteici non correlati.

L'architettura utilizza due torri, un design in cui encoder separati elaborano tipi di input differenti. Una torre legge le sequenze di aminoacidi. L'altra elabora le strutture proteiche.

La torre delle sequenze parte da un piccolo modello in stile ESM2. La torre strutturale utilizza un encoder ESM3 congelato, il che significa che i suoi parametri sottostanti restano invariati durante l'addestramento di CLSS. Livelli adattatori trasformano entrambi gli output nello spazio condiviso a 32 dimensioni.

L'addestramento si basa sul contrastive learning. Per ogni batch, il sistema avvicina le rappresentazioni di una sequenza e di una struttura corrispondenti. Allo stesso tempo, allontana i domini non corrispondenti.

Questo meccanismo ricorda gli approcci utilizzati per collegare immagini e testo. Il modello non ha bisogno che un ricercatore etichetti ogni famiglia di domini. Apprende dal fatto che una particolare sequenza appartiene a una particolare struttura.

Il team ha addestrato la rete per 80 epoche su otto GPU NVIDIA A100 con 40 gigabyte di memoria ciascuna. L'addestramento avrebbe richiesto circa quattro giorni e mezzo.

Solo circa 36 milioni di parametri erano addestrabili. Questo totale è vicino al piccolo modello ESM2 da 35 milioni di parametri utilizzato per inizializzare il percorso delle sequenze. È molto inferiore alle dimensioni riportate per ESM3, ProstT5 e ProTrek.

La dimensione del modello da sola non determina la qualità. I sistemi più grandi spesso supportano compiti più ampi o comportamenti generativi più ricchi che un modello specializzato non tenta di svolgere. Tuttavia, CLSS mostra che un obiettivo di addestramento mirato può produrre rappresentazioni utili senza aggiornare miliardi di parametri.

Il contrasto è rilevante perché non tutti i gruppi di ricerca sulle proteine dispongono di budget di calcolo su scala hyperscale. Un componente addestrabile più piccolo abbassa la soglia per riprodurre, adattare o estendere l'approccio. Gli embedding compatti riducono inoltre i costi di archiviazione e ricerca dopo l'addestramento.

CLSS-full si concentra sui domini completi. La sua torre delle sequenze e la sua torre strutturale hanno prodotto il più forte accordo cross-modale riportato. Se un dominio completo entra attraverso uno dei due percorsi, il suo vicinato rimane relativamente stabile.

CLSS-sub accetta i frammenti come modalità aggiuntiva. Durante l'addestramento, il sistema abbina una sottosequenza campionata alla struttura del dominio completo. Impara a collocare quel frammento vicino al più ampio contesto strutturale cui appartiene.

Questa sfida è più difficile che associare una sequenza completa alla propria struttura. Un breve segmento contiene meno informazioni e motivi simili possono comparire in proteine non correlate. Il modello a frammenti rinuncia quindi a una parte della qualità di allineamento a livello di dominio completo, guadagnando però una capacità che le rappresentazioni concorrenti spesso non possiedono.

La logica evolutiva è rilevante. La natura raramente inventa ogni proteina partendo da una tela bianca. Piccoli segmenti di sequenza possono essere duplicati, modificati e inseriti in domini diversi nel corso di lunghi tempi evolutivi.

Un frammento che compare in due proteine altrimenti non correlate può segnalare una remota storia condivisa. Può anche riflettere un'evoluzione convergente, in cui vincoli simili producono indipendentemente soluzioni simili. CLSS fornisce candidati da investigare, ma non può risolvere questa distinzione basandosi esclusivamente sulla posizione.

I ricercatori hanno inoltre sovrapposto proprietà biologiche alle loro mappe. I domini associati a cofattori organici si raggruppavano in regioni specifiche, mentre i domini che legano metalli apparivano distribuiti più ampiamente.

I cofattori sono molecole non proteiche o ioni che aiutano le proteine a svolgere reazioni chimiche. La loro distribuzione nella mappa offre una verifica del fatto che la geometria appresa corrisponda a proprietà funzionali che vanno oltre la somiglianza di sequenza.

Queste sovrapposizioni rendono la mappa dell'universo proteico CLSS potenzialmente utile per generare ipotesi. Un ricercatore potrebbe identificare un dominio non caratterizzato vicino a proteine che legano un particolare ligando, quindi dare priorità a test biochimici in quella regione.

Tuttavia, la vicinanza sulla mappa è una prova di somiglianza rappresentazionale, non la dimostrazione di una funzione identica. Proteine vicine possono differire in residui critici del sito attivo. Possono anche operare in organismi, compartimenti cellulari o complessi molecolari diversi.

Il ruolo del modello è quindi più vicino a quello di un motore di ricerca che a un verdetto automatico di laboratorio. Può restringere un vasto insieme di candidati e rivelare associazioni inattese. Il lavoro sperimentale deve comunque stabilire se tali associazioni reggano in condizioni biologiche.

La Vera Sfida È la Mappatura Unificata Rispetto all'Analisi Separata

CLSS mette in discussione le pipeline di rappresentazione frammentate, non i sistemi di previsione strutturale che forniscono gran parte delle sue informazioni di base.

I confronti con AlphaFold sono allettanti perché entrambi i progetti usano l'IA per esaminare le proteine. Tuttavia, risolvono problemi diversi.

AlphaFold predice la struttura tridimensionale di una proteina a partire dalla sua sequenza. CLSS mappa le relazioni tra domini proteici utilizzando rappresentazioni di sequenza e struttura. Uno produce candidati strutturali, mentre l'altro organizza le evidenze in uno spazio più ampio.

Gli strumenti possono quindi completarsi a vicenda. Una struttura prevista da AlphaFold può entrare nel percorso strutturale, mentre la sua sequenza di amminoacidi entra nel percorso di sequenza. L'accordo tra tali rappresentazioni può supportare la navigazione e la classificazione.

ESM3 occupa una posizione più ampia. Può lavorare con informazioni relative a sequenza, struttura e funzione delle proteine e supporta la generazione. CLSS utilizza un encoder strutturale ESM3 congelato, ma addestra il proprio spazio condiviso attorno a un obiettivo di mappatura più ristretto.

ProstT5 traduce tra la sequenza proteica e gli alfabeti strutturali. ProTrek utilizza molteplici modalità biologiche e un approccio contrastivo. Questi sistemi dimostrano che la modellazione multimodale delle proteine precede CLSS.

L'affermazione più forte dello studio è più specifica. Nelle impostazioni testate, CLSS ha prodotto una sovrapposizione più coesa tra le mappe di sequenza e struttura. I ricercatori riferiscono inoltre che ha ottenuto risultati solidi nei compiti di classificazione di ProteinShake, un framework standardizzato per valutare le rappresentazioni proteiche.

Questi risultati supportano la mappatura unificata come direzione tecnica. Non stabiliscono che CLSS sia universalmente superiore nella previsione, progettazione, annotazione o generazione di proteine.

Una rappresentazione specializzata di 32 dimensioni comprime inevitabilmente le informazioni. Questa compressione può enfatizzare relazioni generali, scartando al contempo dettagli necessari per altri compiti. Interazioni a livello di residuo, conformazioni dinamiche, regioni disordinate e contesto cellulare non possono tutti sopravvivere invariati all'interno di un unico vettore breve.

La distribuzione di addestramento introduce un altro vincolo importante. CLSS ha appreso da domini proteici rappresentati nelle risorse strutturali esistenti, inclusi esempi determinati sperimentalmente e previsti associati a ECOD.

Tali database hanno un enorme valore scientifico, ma non sono campioni neutrali di tutta la biologia. Le strutture sperimentali favoriscono le proteine che i ricercatori riescono a isolare, stabilizzare e misurare. Le raccolte previste ereditano distorsioni dalle sequenze disponibili e dalla confidenza del modello.

Un più ampio Protein Universe Atlas aveva in precedenza combinato reti di sequenza, previsioni strutturali e annotazioni per identificare famiglie inesplorate. I suoi creatori hanno inoltre documentato la persistente difficoltà nell'assegnare una funzione a vaste porzioni dello spazio proteico.

CLSS non elimina quel territorio oscuro. Lo riorganizza. Un dominio scarsamente caratterizzato può ricevere coordinate senza acquisire una funzione, un meccanismo o un'origine evolutiva verificati.

Anche la valutazione rispetto a ECOD e CATH merita un'interpretazione attenta. Recuperare gerarchie di esperti senza le relative etichette costituisce un'evidenza significativa. Tuttavia, tali classificazioni riflettono ancora lo stesso panorama proteico noto da cui sono stati tratti gli esempi di addestramento.

L'articolo osserva che i suoi domini casuali di addestramento e validazione provenivano dalla medesima distribuzione generale. Questa scelta si adatta all'obiettivo di costruire una mappa esaustiva dominata da famiglie comuni. È meno impegnativa rispetto a testare esclusivamente famiglie remote deliberatamente separate dagli esempi di addestramento.

Questa distinzione conta quando gli utenti chiedono se CLSS possa generalizzare a una biologia realmente sconosciuta. Le prestazioni sulle classificazioni standard non rispondono pienamente a come il modello gestisca ripiegamenti rari, proteine di membrana insolite, regioni disordinate o sequenze provenienti da ambienti poco campionati.

La riduzione della dimensionalità aggiunge un'altra fonte di cautela. L'embedding CLSS sottostante ha 32 dimensioni, ma una mappa del mondo ne mostra solitamente solo due. Algoritmi come t-SNE possono preservare i vicinati locali distorcendo al contempo distanze e geometria globale.

Un cluster visivamente sorprendente è quindi uno spunto, non una conclusione biologica. I ricercatori devono ispezionare i vicini nello spazio di embedding completo e confrontarli con allineamenti di sequenza, sovrapposizioni strutturali, annotazioni funzionali ed esperimenti.

L'espressione “visualizzazione unica” può inoltre creare un'aspettativa errata. Sequenza e struttura diventano compatibili, ma non intercambiabili in ogni contesto scientifico. Ciascuna modalità contiene evidenze, incertezze e modalità di fallimento distinte.

Una sequenza è osservata direttamente quando gli scienziati determinano il gene o la proteina sottostante. Una struttura prevista è un'inferenza la cui confidenza varia tra residui e complessi. Il coembedding delle due non elimina questa differenza di status probatorio.

Il confronto corretto è tra mappatura unificata e analisi separata. CLSS sostiene che un unico sistema di coordinate appreso possa rendere più semplice cercare le evidenze combinate. Gli strumenti dettagliati devono comunque esaminare perché due proteine appaiano vicine tra loro.

Cosa Deve Accadere Prima Che CLSS Cambi la Scoperta delle Proteine

Il prossimo test è verificare se ricercatori indipendenti possano trasformare i vicinati della mappa in scoperte verificate su proteine sconosciute e sperimentalmente difficili.

Il primo segnale da osservare è la riproduzione esterna su famiglie proteiche remote. I ricercatori dovrebbero valutare CLSS con suddivisioni che limitino nettamente la sovrapposizione di sequenza e struttura tra domini di addestramento e test.

Prestazioni solide in tali condizioni rafforzerebbero l'affermazione che la rappresentazione catturi principi biologici trasferibili. Un forte calo suggerirebbe che gran parte della sua organizzazione dipenda da distribuzioni di famiglie familiari.

Il secondo segnale è la validazione sperimentale delle ipotesi derivate dalla mappa. Gli studi più convincenti partiranno da una proteina sconosciuta o controversa, useranno CLSS per identificare vicini inattesi e testeranno la relazione prevista in laboratorio.

Tra gli esiti utili potrebbero figurare il legame verificato di ligandi, l'attività enzimatica, la somiglianza strutturale o frammenti evolutivi condivisi. I risultati negativi saranno altrettanto informativi, perché potranno rivelare quali tipi di prossimità l'embedding sopravvaluta.

Il terzo segnale è l'adozione nei flussi di lavoro pratici per la ricerca nei database e l'ingegneria proteica. Il team di ricerca prevede utilizzi nell'allineamento delle sequenze, nella ricostruzione evolutiva e nella progettazione. Tali applicazioni richiedono più che visualizzazioni accattivanti.

Gli strumenti di ricerca devono restare rapidi man mano che i database crescono. I risultati necessitano di evidenze interpretabili affinché i ricercatori possano comprendere perché sia apparso un candidato. Le pipeline devono inoltre registrare versioni del modello, strutture sorgente, punteggi di confidenza e aggiornamenti del database.

La panoramica istituzionale del progetto descrive un visualizzatore interattivo per esplorare lo spazio proteico. L'utilizzo da parte di laboratori indipendenti mostrerà se l'interfaccia aiuta i ricercatori a formulare domande verificabili, anziché limitarsi a esplorare classificazioni familiari.

L'ingegneria proteica pone un'asticella più alta. Un vicinato utile può suggerire frammenti o modelli di dominio, ma progettare una proteina funzionale richiede compatibilità tra ripiegamento, stabilità, attività ed espressione.

CLSS-sub è particolarmente interessante in questo contesto perché colloca brevi frammenti di sequenza accanto a domini e strutture completi. Se tali posizionamenti identificano costantemente componenti riutilizzabili, potrebbero migliorare la fase di ricerca della progettazione proteica.

Tuttavia, il riutilizzo storico di un frammento non garantisce che possa essere trapiantato in sicurezza. Il suo comportamento dipende dai residui circostanti e dal contesto molecolare. La progettazione sperimentale deve trattare un embedding vicino come una relazione candidata, non come un'istruzione di assemblaggio.

La stessa cautela si applica alla scoperta di farmaci. Un cluster associato a un tipo di cofattore o ligando può guidare la definizione delle priorità. Non può stabilire che ogni proteina vicina leghi la stessa molecola o offra un sito farmacologicamente sfruttabile.

Gli utenti dovrebbero inoltre osservare se le future versioni di CLSS incorporeranno esplicitamente l'incertezza. Un singolo vettore può nascondere disaccordi tra le modalità o regioni strutturali a bassa confidenza. Esporre tali disaccordi aiuterebbe i ricercatori a distinguere vicinati stabili da quelli fragili.

Un altro sviluppo utile collegherebbe le posizioni sulla mappa a spiegazioni a livello di residuo. Gli scienziati devono sapere se due proteine si allineano a causa di un nucleo condiviso, di un breve motivo, di una tasca di legame o di un'ampia somiglianza architettonica.

Questa trasparenza determinerà se CLSS diventerà uno strato analitico quotidiano. I biologi possono tollerare previsioni imperfette quando un sistema li aiuta a progettare l'esperimento successivo. È meno probabile che si fidino di un vicinato non spiegato in una mappa visivamente persuasiva.

Il significato più profondo di CLSS risiede nella sua risposta all'abbondanza di dati. La biologia dispone oggi di immense raccolte di sequenze, strutture previste e annotazioni. Il problema limitante riguarda sempre più il rendere tali raccolte comparabili e ricercabili.

La mappa dell'universo proteico CLSS offre una risposta credibile. Comprime sequenza e struttura in un linguaggio condiviso, recupera classificazioni consolidate e rende i frammenti parte dello stesso panorama.

Il suo risultato resta più circoscritto rispetto al completamento di una mappa delle proteine della vita. Funzioni sconosciute, strutture incerte, database distorti ed esperimenti difficili rimangono. Nessuna visualizzazione bidimensionale può dissolvere tali vincoli.

I ricercatori dovrebbero ora porsi una domanda concreta: un vicinato CLSS li conduce a una relazione che altrimenti non avrebbero individuato, e tale relazione resiste alla verifica sperimentale? Se laboratori indipendenti risponderanno ripetutamente di sì, la mappatura proteica unificata diventerà più di una prospettiva convincente. Diventerà parte del modo in cui inizia la scoperta biologica.