Mese: Maggio 2025

Pubblicato il

Parabrezza puliti e insetti scomparsi: ma davvero davvero?

Nel 2020, durante la pandemia, pubblicai una breve nota sul cosiddetto “windscreen phenomenon“. Per chi volesse rileggerla, ecco il link:

Sugli insetti e sui parabrezza – www.pellegrinoconte.com

Negli ultimi anni, questa teoria ha continuato a circolare. L’idea che il numero di insetti stia diminuendo drasticamente perché i parabrezza delle auto si sporcano meno rispetto al passato è oggi più attendibile di quanto non lo fosse cinque anni fa?

Osservazioni aneddotiche vs. evidenze scientifiche

È importante distinguere tra osservazioni personali e dati scientifici. Il fatto che oggi i parabrezza sembrino più puliti non costituisce una prova concreta del declino globale degli insetti. Le variabili in gioco sono molteplici: cambiamenti nei modelli di traffico, aerodinamica delle auto moderne, variazioni climatiche locali e stagionali, per citarne alcune.

Studi recenti sul declino degli insetti

Diversi studi scientifici hanno documentato un effettivo declino delle popolazioni di insetti:

Il problema del “windscreen phenomenon” come indicatore

Utilizzare il numero di insetti sul parabrezza come misura del declino globale presenta diverse problematiche:

  • Variabilità delle condizioni di guida: percorsi, velocità, condizioni climatiche e tipologie di veicoli influenzano significativamente il numero di insetti che colpiscono il parabrezza.
  • Effetti di bordo e distribuzione degli insetti: le strade creano discontinuità nel paesaggio, influenzando la distribuzione degli insetti e rendendo difficile generalizzare le osservazioni.
  • Bias di campionamento: le osservazioni sono spesso limitate a determinate aree e periodi, non rappresentando accuratamente la situazione globale.

Conclusione

Come scrivevo già nel 2020, anche oggi è necessario ribadire che, sebbene il declino degli insetti sia un fenomeno reale ed allarmante, le conclusioni devono basarsi su studi scientifici solidi, non su impressioni personali. Il “windscreen phenomenon” può forse stimolare la curiosità o fornire uno spunto iniziale, ma non rappresenta in alcun modo una prova scientifica.

L’aneddotica non è probante e il “lo dicono tutti” non è – né sarà mai – un metodo scientificamente valido.

Come disse un celebre divulgatore: la scienza non si fa per alzata di mano.

La democrazia scientifica non funziona come quella politica: non tutte le opinioni hanno lo stesso peso. E, a ben vedere, nemmeno in politica tutte le opinioni sono uguali – quelle che negano i diritti fondamentali dell’uomo non possono e non devono essere considerate accettabili.

In ambito scientifico, il confronto è possibile solo tra persone con un background adeguato, perché solo così si può parlare la stessa lingua: quella del metodo.

Pubblicato il

Chimica e intelligenza artificiale: un’alleanza per il futuro della scienza

Avrete sicuramente notato che oggi l’intelligenza artificiale (AI) sta diventando una presenza sempre più costante nelle nostre vite. Sono tantissimi gli ambiti in cui l’AI riesce a sostituire con successo l’essere umano. Si potrebbe dire che questa rivoluzione sia iniziata molto tempo fa, con i primi robot che hanno cominciato a svolgere compiti ripetitivi al posto dell’uomo, come nelle catene di montaggio o, più drammaticamente, nei contesti bellici, dove i droni sono diventati strumenti chiave per ridurre il numero di vittime umane.

Negli ultimi anni, lo sviluppo vertiginoso delle reti neurali artificiali ha portato alla nascita di veri e propri “cervelli digitali” che, presto, anche se non sappiamo quanto presto, potrebbero avvicinarsi, per certi aspetti, alle capacità del cervello umano.

Nel frattempo, però, l’intelligenza artificiale già funziona alla grande ed è sempre più presente in numerosi settori, tra cui la chimica, che rappresenta uno dei campi più promettenti.

All’inizio può sembrare curioso accostare molecole, reazioni chimiche e leggi della fisica a concetti come algoritmi e reti neurali. Eppure, l’unione di questi mondi sta rivoluzionando il modo in cui facciamo ricerca, progettiamo nuovi materiali, affrontiamo le sfide ambientali e persino come insegniamo la scienza.

Ma cosa significa, concretamente, applicare l’intelligenza artificiale alla chimica?

Scoprire nuove molecole (senza provare tutto in laboratorio)

Uno degli ambiti in cui l’intelligenza artificiale si è rivelata più utile è la scoperta di nuovi composti chimici. Fino a qualche tempo fa, per trovare una molecola utile, un farmaco, un catalizzatore, un materiale con proprietà particolari, bisognava fare molti tentativi sperimentali, spesso lunghi e costosi.

Negli ultimi decenni, la chimica computazionale ha cercato di alleggerire questo carico, permettendo ai ricercatori di simulare al computer il comportamento di molecole, reazioni e materiali. Tuttavia, anche le simulazioni più avanzate richiedono molto tempo di calcolo e competenze specialistiche, oltre ad avere dei limiti nella scala e nella complessità dei sistemi che si possono trattare.

Qui entra in gioco l’intelligenza artificiale: grazie a modelli di machine learning sempre più raffinati, è possibile prevedere rapidamente il comportamento di una molecola, come la sua stabilità, la reattività, o la capacità di legarsi a un bersaglio biologico, semplicemente a partire dalla sua struttura. Questi algoritmi apprendono da enormi quantità di dati sperimentali e teorici e sono in grado di fare previsioni accurate anche su molecole mai testate prima.

In altre parole, l’AI sta cominciando a superare i limiti della chimica computazionale tradizionale, offrendo strumenti più rapidi, scalabili e spesso più efficaci nel guidare la ricerca. Invece di provare tutto in laboratorio (o simulare tutto al computer), oggi possiamo usare modelli predittivi per concentrare gli sforzi solo sulle ipotesi più promettenti.

Cosa vuol dire “machine learning”?

Il machine learning, o apprendimento automatico, è una branca dell’intelligenza artificiale che permette a un computer di imparare dai dati. Invece di essere programmato con regole rigide, un algoritmo di machine learning analizza una grande quantità di esempi e impara da solo a riconoscere schemi, fare previsioni o prendere decisioni.

È un po’ come insegnare a un bambino a distinguere un cane da un gatto: non gli spieghi la definizione precisa, ma gli mostri tante immagini finché impara da solo a riconoscerli.

Nel caso della chimica, l’algoritmo può “guardare” migliaia di molecole e imparare, per esempio, quali caratteristiche rendono una sostanza più solubile, reattiva o stabile.

Simulare ciò che non possiamo osservare

In molti casi, la chimica richiede di capire cosa succede a livello atomico o molecolare, dove gli esperimenti diretti sono difficili, costosi o addirittura impossibili. Ad esempio, osservare in tempo reale la rottura di un legame chimico o l’interazione tra una superficie metallica e un gas può essere tecnicamente molto complicato.

Qui entrano in gioco la chimica computazionale e, sempre di più, l’intelligenza artificiale. I metodi classici di simulazione, come la density functional theory (DFT) o le dinamiche molecolari, permettono di studiare reazioni e proprietà microscopiche con una certa precisione, ma sono spesso limitati dalla potenza di calcolo e dal tempo necessario per ottenere risultati.

L’AI può affiancare o persino sostituire questi metodi in molti casi, offrendo simulazioni molto più rapide. Gli algoritmi, addestrati su grandi insiemi di dati teorici o sperimentali, riescono a prevedere energie di legame, geometrie molecolari, traiettorie di reazione e persino comportamenti collettivi di materiali complessi, con un livello di precisione sorprendente.

Questo approccio è particolarmente utile nella chimica dei materiali, nella catalisi e nella chimica ambientale, dove le condizioni reali sono dinamiche e complesse, e spesso è necessario esplorare molte variabili contemporaneamente (temperatura, pressione, pH, concentrazione, ecc.).

In sintesi, grazie all’AI, oggi possiamo “vedere” l’invisibile e testare ipotesi teoriche in modo veloce e mirato, risparmiando tempo, denaro e risorse. La simulazione assistita dall’intelligenza artificiale sta diventando una delle strategie più promettenti per affrontare problemi scientifici troppo complessi per essere risolti con i soli strumenti tradizionali.

Insegnare (e imparare) la chimica in modo nuovo

Anche il mondo dell’istruzione sta vivendo una trasformazione grazie all’intelligenza artificiale. La didattica della chimica, spesso considerata una delle materie più “dure” per studenti e studentesse, può oggi diventare più coinvolgente, personalizzata ed efficace proprio grazie all’uso di strumenti basati su AI.

Uno dei vantaggi principali è la possibilità di adattare il percorso di apprendimento alle esigenze del singolo studente. Grazie a sistemi intelligenti che analizzano le risposte e i progressi individuali, è possibile proporre esercizi mirati, spiegazioni alternative o materiali supplementari in base al livello di comprensione. Questo approccio personalizzato può aiutare chi è in difficoltà a colmare lacune e, allo stesso tempo, stimolare chi è più avanti ad approfondire.

L’AI può anche contribuire a rendere la chimica più visiva e interattiva. Alcune piattaforme, ad esempio, usano modelli predittivi per generare visualizzazioni 3D di molecole, reazioni chimiche o strutture cristalline, rendendo più intuitivi concetti spesso astratti. In più, i chatbot educativi (come quelli alimentati da modelli linguistici) possono rispondere a domande in tempo reale, spiegare termini complessi in modo semplice o simulare piccoli esperimenti virtuali.

Un’altra frontiera interessante è quella della valutazione automatica e intelligente: sistemi di AI possono correggere esercizi, test e report di laboratorio, offrendo feedback tempestivo e accurato. Questo libera tempo per l’insegnante, che può concentrarsi sulla guida e sul supporto più qualitativo.

Infine, l’intelligenza artificiale può aiutare anche chi insegna: suggerendo materiali didattici aggiornati, creando quiz su misura per ogni lezione, o analizzando l’andamento della classe per identificare i concetti che vanno ripresi o approfonditi.

In sintesi, l’AI non sostituisce il docente o il laboratorio, ma li potenzia, offrendo nuovi strumenti per rendere l’insegnamento della chimica più accessibile, efficace e stimolante.

Una rivoluzione che non sostituisce il chimico

Di fronte a questi progressi, è naturale chiedersi: quale sarà allora il ruolo del chimico nel futuro? La risposta è semplice: sarà sempre più centrale, ma in modo diverso.

L’intelligenza artificiale è uno strumento potente, ma resta pur sempre uno strumento. Può accelerare le ricerche, suggerire ipotesi, esplorare combinazioni complesse o evidenziare correlazioni nascoste. Ma non può, da sola, sostituire la competenza critica, l’intuizione, l’esperienza e la creatività che solo un/una chimico/a formato/a può offrire.

Un errore molto comune, oggi, è considerare l’AI come una sorta di enciclopedia moderna, da cui si possano estrarre risposte esatte, univoche, perfette. Ma la chimica non funziona così e neppure l’intelligenza artificiale. Entrambe si muovono su terreni complessi, fatti di ipotesi, interpretazioni, modelli e approssimazioni. Pretendere dall’AI risposte definitive senza saper valutare, filtrare o indirizzare i risultati è un rischio.

Proprio come un bambino brillante, l’AI va educata e guidata. Ha bisogno di esempi buoni, di dati corretti, di domande ben formulate.

E, soprattutto, ha bisogno di essere “letta” da occhi esperti, capaci di interpretare e contestualizzare quello che produce.

In chimica, come nella scienza in generale, la conoscenza non è mai solo questione di calcoli o statistiche: è anche, e soprattutto, comprensione profonda dei fenomeni.

Quindi, piuttosto che temere l’arrivo dell’intelligenza artificiale, dobbiamo imparare a collaborarci con intelligenza.

Il chimico del futuro non sarà un tecnico che esegue, ma un regista che sa orchestrare strumenti nuovi per rispondere a domande sempre più complesse. Ed è proprio questa, forse, la sfida più stimolante dei nostri tempi.

Riferimenti

Aldossary & al. (2024) In silico chemical experiments in the Age of AI: From quantum chemistry to machine learning and back. ChemRxiv. 2024; Doi: 10.26434/chemrxiv-2024-1v269. Disponibile al link: https://chemrxiv.org/engage/chemrxiv/article-details/65cdf1309138d231612baac8.

Anjaneyulu & al. (2024) Revolution of Artificial Intelligence in Computational Chemistry Breakthroughs. Chemistry Africa 7, 3443–3459. https://doi.org/10.1007/s42250-024-00976-5.

Blonder & Feldman-Maggor (2024) AI for chemistry teaching: responsible AI and ethical considerations. Chemistry Teacher International 6(4), 385–395. https://doi.org/10.1515/cti-2024-0014.

Dral (2024) AI in computational chemistry through the lens of a decade-long journey. Chemical Communications. 60, 3240-3258. https://doi.org/10.1039/D4CC00010B.

Dral, Bowman, Liu, Maseras (editors) (2024) Artificial intelligence in computational chemistry (special issue). Disponibile al link: https://www.sciencedirect.com/special-issue/105PZW0WJF7.

Kovner & Berkeley (2024) ‘AI-at-scale’ method accelerates atomistic simulations for scientists. Disponibile al link: https://techxplore.com/news/2024-12-ai-scale-method-atomistic-simulations.html.

Kovner & Berkeley (2025) Computational chemistry unlocked: A record-breaking dataset to train AI models has launched. Disponibile al link: https://phys.org/news/2025-05-chemistry-dataset-ai.html.

Nongnuch & al. (2021) Best practices in machine learning for chemistry. Nature Chemistry 13, 505–508. https://doi.org/10.1038/s41557-021-00716-z.

Yuriev & al. (2024) The Dawn of Generative Artificial Intelligence in Chemistry Education. Journal of Chemical Education 101, 2957-2929. https://doi.org/10.1021/acs.jchemed.4c00836.

Udourioh & al. (2025) Artificial Intelligence-Driven Innovations in Chemistry Education: Transforming Teaching and Learning Practices. In: Handbook on Artificial Intelligence and Quality Higher Education. Volume 1 (pp.379-388). Publisher: Sterling Publishers, Slough UK and Delhi, India. Disponibile al link: https://www.researchgate.net/publication/388675124_Artificial_Intelligence-Driven_Innovations_in_Chemistry_Education_Transforming_Teaching_and_Learning_Practices.

Zhang & al. (2025) Artificial intelligence for catalyst design and synthesis. Matter 8, 102138. https://doi.org/10.1016/j.matt.2025.102138.

Pubblicato il

Microplastiche: i rischi che conosciamo, le sorprese che non ti aspetti

Quando pensiamo all’inquinamento da plastica, ci vengono subito in mente bottiglie che galleggiano negli oceani, sacchetti impigliati tra i rami degli alberi o imballaggi abbandonati nei fossi (Figura 1).

Figura 1. Tracce invisibili del nostro tempo: bottiglie, sacchetti e frammenti di plastica si insinuano nei paesaggi naturali, segnando il confine sottile tra quotidiano e catastrofe ambientale.

Ma esiste un tipo di plastica molto più subdolo e pericoloso, perché invisibile ai nostri occhi: le microplastiche. Questi minuscoli frammenti, spesso più piccoli di un chicco di riso, sono ormai ovunque: nell’acqua che beviamo, nell’aria che respiriamo, nel suolo che coltiviamo e persino, come recenti studi hanno dimostrato, dentro il nostro corpo.

Le microplastiche possono essere prodotte intenzionalmente, come accade ad esempio per le microperle usate in alcuni cosmetici e detergenti industriali. In altri casi, invece, derivano dalla frammentazione di oggetti di plastica più grandi, spezzati nel tempo da sole, vento, onde e attrito. Qualunque sia la loro origine, una volta disperse nell’ambiente, diventano praticamente impossibili da recuperare.

Se inizialmente l’attenzione della ricerca si è concentrata soprattutto sull’ambiente marino, oggi sappiamo che le microplastiche si trovano ovunque. Sono presenti nei mari, nei laghi, nei fiumi, ma anche nei ghiacciai e nell’atmosfera. Sono state rinvenute in alimenti di uso comune, come il pesce, il sale e perfino il miele. E non si tratta solo di contaminazione esterna: alcune ricerche hanno individuato tracce di microplastiche in campioni biologici umani, come sangue, feci e placenta. È una diffusione capillare, e proprio per questo difficile da controllare.

Un campo che ha attirato crescente interesse negli ultimi anni è quello dei suoli. Spesso trascurato rispetto agli ambienti acquatici, il suolo si sta rivelando un enorme serbatoio di microplastiche. La plastica può arrivarci attraverso molteplici vie: dai fanghi di depurazione usati in agricoltura, dai rifiuti plastici agricoli, dal compost contaminato, fino alla semplice deposizione atmosferica. Alcuni studi stimano che i suoli possano contenere più microplastiche degli oceani.

Ma quello che ha sorpreso molti ricercatori è che, in certi casi e in certe condizioni, la presenza di microplastiche nel suolo sembra produrre effetti inaspettati, non tutti negativi. Ad esempio, le plastiche possono contribuire ad aumentare la porosità del terreno, migliorandone l’aerazione e il drenaggio. In alcune situazioni, è stata osservata una maggiore stabilità degli aggregati del suolo e una migliore ritenzione idrica, caratteristiche che potrebbero essere utili, ad esempio, in contesti agricoli soggetti a siccità (Figura 2).

Figura 2. In alcune condizioni, la presenza di microplastiche nel suolo può modificare la struttura degli aggregati, favorendo aerazione, porosità e ritenzione idrica: effetti apparentemente utili in contesti agricoli aridi, ma non privi di rischi a lungo termine.

Anche dal punto di vista biologico, gli effetti sono controversi. Alcuni esperimenti hanno riportato un incremento dell’attività di lombrichi e di alcuni microrganismi in presenza di microplastiche, suggerendo un adattamento o una stimolazione di certi processi. Tuttavia, altri studi mettono in guardia: le stesse microplastiche possono alterare la composizione delle comunità microbiche del suolo, interferire con l’attività enzimatica, ostacolare la germinazione delle piante e veicolare sostanze tossiche, come metalli pesanti o pesticidi, adsorbiti sulla loro superficie.

Insomma, si tratta di una situazione complessa. Gli effetti variano molto a seconda del tipo di plastica, della sua forma — che siano fibre, frammenti o sfere — della concentrazione e, naturalmente, delle caratteristiche del suolo ospite. Anche se in certi casi le microplastiche sembrano migliorare temporaneamente alcune proprietà fisiche del terreno, la loro persistenza, la potenziale tossicità chimica e gli effetti a lungo termine sulla salute degli ecosistemi rendono il bilancio complessivo tutt’altro che rassicurante.

La chimica gioca un ruolo chiave in questa sfida. Grazie a essa possiamo non solo comprendere meglio il comportamento delle microplastiche nell’ambiente, ma anche sviluppare strategie per contrastarne la diffusione. La ricerca lavora su materiali biodegradabili, su metodi per separare e rimuovere microplastiche da acque e fanghi, su traccianti molecolari per seguirne il destino nell’ambiente e su tecnologie per limitarne l’ingresso nelle filiere produttive.

Ma anche nel nostro piccolo possiamo contribuire. Ridurre l’uso di plastica monouso, preferire materiali naturali per abbigliamento e oggetti di uso quotidiano, evitare prodotti cosmetici contenenti microperle — basta leggere le etichette con attenzione — sono scelte semplici che, moltiplicate per milioni di persone, possono fare una differenza reale. E soprattutto, possiamo diffondere consapevolezza. Perché le microplastiche sono piccole, sì, ma la loro portata è enorme. Capirle, raccontarle e affrontarle è un passo essenziale per costruire un rapporto più equilibrato tra l’uomo, la chimica e l’ambiente.

Riferimenti

Campanale, C., et al. (2020). A detailed review study on potential effects of microplastics and additives of concern on human health. International Journal of Environmental Research and Public Health, 17(4), 1212. (https://www.mdpi.com/1660-4601/17/4/1212)

de Souza Machado, A.A., et al. (2019). Microplastics Can Change Soil Properties and Affect Plant Performance. Environmental Science & Technology, 53(10), 6044–6052. (https://pubs.acs.org/doi/10.1021/acs.est.9b01339)

Hale, R.C., et al. (2020). A Global Perspective on Microplastics. Journal of Geophysical Research: Oceans, 125(3), e2018JC014719. (https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2018JC014719)

Ng, E.-L., et al. (2018). An overview of microplastic and nanoplastic pollution in agroecosystems. Science of the Total Environment, 627, 1377–1388. (https://www.sciencedirect.com/science/article/pii/S0048969718303838?via%3Dihub)

Prata, J.C., et al. (2020). Environmental exposure to microplastics: An overview on possible human health effects. Science of the Total Environment, 702, 134455. (https://www.sciencedirect.com/science/article/pii/S0048969719344468?via%3Dihub)

Ragusa, A., et al. (2021). Plasticenta: First evidence of microplastics in human placenta. Environment International, 146, 106274. (https://www.sciencedirect.com/science/article/pii/S0160412020322297?via%3Dihub)

Rillig, M.C., et al. (2017). Microplastic incorporation into soil in agroecosystems. Frontiers in Plant Science, 8, 1805. (https://www.frontiersin.org/journals/plant-science/articles/10.3389/fpls.2017.01805/full)

Wright, S.L., Kelly, F.J. (2017). Plastic and Human Health: A Micro Issue? Environmental Science & Technology, 51(12), 6634–6647. (https://pubs.acs.org/doi/10.1021/acs.est.7b00423)

Zhang, G.S., Liu, Y.F. (2018). The distribution of microplastics in soil aggregate fractions in southwestern China. Science of the Total Environment, 642, 12–20. (https://www.sciencedirect.com/science/article/pii/S0048969718320667?via%3Dihub)

Pubblicato il

Dal ppm al femtogrammo: i pesticidi c’erano anche prima ma non li vedevamo

Ogni tanto circolano articoli dai toni allarmistici che mostrano quanto spesso oggi si trovino tracce di pesticidi negli alimenti, nell’acqua, nel suolo. “Una volta queste cose non c’erano”, si legge. Ma è davvero così? La risposta è semplice: no, non è che una volta non ci fossero, è che non eravamo in grado di vederle.

La differenza sta negli occhi, non nelle cose

In chimica analitica, quando si parla di rilevare una sostanza, non si usa mai dire con leggerezza “non c’è”. Si dice invece “non determinabile” (N.D.): vuol dire che non è rilevabile con gli strumenti disponibili, non che la sostanza non sia presente. È come cercare di vedere le stelle con un binocolo da teatro: non le vedi, ma non vuol dire che non ci siano.

E proprio come un telescopio moderno rivela galassie invisibili a Galileo, gli strumenti di oggi vedono tracce infinitesimali di sostanze che gli strumenti di ieri non riuscivano minimamente a percepire.

Un po’ di storia: quanto si vedeva ieri?

  • Anni ’50-’60: i primi gascromatografi (GC) usavano rivelatori come il TCD (rilevava a partire da 1-10 ppm, cioè parti per milione) o il più sensibile FID (circa 0.1 ppm). I pesticidi? Difficili da vedere, se non in quantità elevate.
  • Anni ’70-’80: entra in scena l’Electron Capture Detector (ECD), molto sensibile per sostanze come i pesticidi: arriva a livelli di 0.1 picogrammi, cioè un miliardesimo di milligrammo! Anche il GC-MS (gascromatografia accoppiata a spettrometria di massa) comincia a essere usato per rilevare composti in tracce.
  • Anni ’90-2000: con strumenti più raffinati come il GC-MS/MS, si scende ancora: si arriva a livelli di femtogrammi (mille miliardesimi di grammo). La sensibilità è altissima e il rumore di fondo si riduce grazie a nuove tecnologie (Figura 1).

Dal 2010 in poi: l’uso di spettrometri ad alta risoluzione (HRMS), colonne capillari e nuovi algoritmi di elaborazione dei dati ci porta a una capacità di rilevazione fino a 0.001 picogrammi.

Figure 1. il grafico mostra l'evoluzione dei limiti di rilevazione (LOD) in picogrammi, su scala logaritmica, per alcune delle tecniche analitiche più usate nella chimica analitica dal 1960 a oggi. Negli anni ’60 si vedevano solo concentrazioni nell’ordine dei ppm, oggi possiamo rilevare sostanze anche a femtogrammi, cioè mille miliardesimi di grammo.

Figura 1. il grafico mostra l’evoluzione dei limiti di rilevazione (LOD) in picogrammi, su scala logaritmica, per alcune delle tecniche analitiche più usate nella chimica analitica dal 1960 a oggi. Negli anni ’60 si vedevano solo concentrazioni nell’ordine dei ppm, oggi possiamo rilevare sostanze anche a femtogrammi, cioè mille miliardesimi di grammo.

Quindi oggi i pesticidi sono più usati?

No, non è questo il punto. È che oggi possiamo vedere concentrazioni che una volta erano semplicemente invisibili. È come se avessimo acceso una torcia in una stanza buia. Le cose nella stanza c’erano anche prima. Solo, non potevamo vederle (Figura 2).

Figura 2. Come vediamo gli analiti oggi. Il miglioramento della sensibilità strumentale ci consente di vedere cose che cinque, dieci, venti e più anni fa non eravamo in grado di rilevare.

Un esempio pratico

Un pesticida presente in un campione d’acqua nel 1970 in quantità pari a 5 picogrammi per litro non sarebbe stato rilevato da nessuno strumento allora disponibile. Oggi sì. Ma non significa che quel pesticida non ci fosse allora.

Conclusione

Quando leggiamo “oggi si trovano più pesticidi”, chiediamoci prima se si tratta di un aumento reale o semplicemente di un salto nella capacità di osservazione. La chimica analitica, nel frattempo, ha fatto un balzo gigantesco: non siamo più immersi nei veleni, siamo immersi nei dati. E questo è un enorme passo avanti.

Riferimenti

“Bella e Potente” (L. Cerruti)

“Basic Gas Chromatography“ (H.M. McNair, J.M. Miller)

Gohlke, R.S. (1959). Analytical Chemistry, 31, 535–541.

Karayannis, M.I.; Efstathiou, C.E. (2012). Talanta, 102, 7-15

Share