Categoria: Notizie dal mondo scientifico

Pubblicato il

L’atomo della pace: This is the dawning of the Age of Aquarius

“L’energia liberata dall’atomo non sarà più impiegata per la distruzione, ma per il bene dell’umanità.” Con queste parole, nel 1953, il presidente degli Stati Uniti Dwight D. Eisenhower lanciava al mondo il programma Atoms for Peace, in un celebre discorso all’Assemblea Generale delle Nazioni Unite. Era il tentativo, ambizioso e visionario, di trasformare il simbolo stesso della guerra in una promessa di progresso, usando le tecnologie nucleari non per armare le nazioni, ma per alimentare ospedali, centrali elettriche e laboratori scientifici.

Settant’anni dopo, quella visione resta più attuale che mai. In un pianeta che affronta crisi ambientali sempre più gravi e una domanda crescente di energia, l’atomo torna a farsi sentire: non come spettro del passato, ma come possibile chiave per un futuro più sostenibile.

Eppure, mentre la scienza offre strumenti per usare l’energia nucleare a beneficio della società, c’è ancora chi preferisce impiegarla per rafforzare equilibri di potere instabili, costruendo arsenali atomici in grado di distruggere il pianeta che abitiamo. Una scelta anacronistica, fondata su interessi politici miopi e incapaci di cogliere il potenziale positivo di una delle scoperte più straordinarie del Novecento.

Nel dibattito sulla transizione energetica, l’energia nucleare torna oggi al centro dell’attenzione. Di fronte all’urgenza climatica e alla crescente domanda globale di energia, le tecnologie nucleari civili si presentano come una delle soluzioni più promettenti per garantire una produzione elettrica stabile, sicura e a basse emissioni di carbonio.

Nonostante il peso simbolico lasciato da eventi come Chernobyl e Fukushima, i dati raccolti in decenni di esercizio mostrano che il nucleare civile è, per unità di energia prodotta, una delle fonti più sicure e pulite disponibili. Le nuove tecnologie oggi in sviluppo, come i reattori modulari di piccola taglia (SMR) e i reattori di IV generazione, puntano a migliorare ulteriormente la sicurezza, l’efficienza del combustibile e la gestione dei rifiuti. Alcuni progetti prevedono sistemi di sicurezza passiva, in grado di spegnere il reattore in caso di emergenza senza intervento umano né alimentazione elettrica esterna. Altri lavorano su cicli del combustibile chiusi, per ridurre drasticamente la quantità di scorie radioattive a lunga vita.

Parallelamente, progetti come ITER e numerose iniziative private stanno esplorando la strada della fusione nucleare, l’unica tecnologia in grado di imitare il funzionamento del Sole: energia virtualmente illimitata, senza il rischio di fusione del nocciolo e con rifiuti di gran lunga meno problematici rispetto alla fissione.

La chimica ambientale resta al cuore di queste sfide: dalla separazione degli attinidi alla progettazione di materiali resistenti, dalla speciazione degli isotopi radioattivi alla modellazione del loro comportamento nel suolo e nelle acque sotterranee. Capire come gli elementi si muovono, decadono, si adsorbono o si fissano in forma solida non è solo un esercizio accademico: è una condizione necessaria per progettare impianti più sicuri, prevedere il comportamento delle scorie e gestire correttamente il rischio.

Tuttavia, un ostacolo importante resta la percezione pubblica del rischio. L’energia nucleare continua a suscitare paure profonde, spesso basate su eventi eccezionali e su una comunicazione scientifica carente. Colmare questo divario tra realtà tecnica e immaginario collettivo è una responsabilità etica, oltre che culturale.

I radionuclidi non sono pericolosi per natura. Lo diventano solo quando vengono gestiti con superficialità, trascuratezza o opacità. Gli stessi elementi che in passato hanno provocato danni enormi se impiegati in modo irresponsabile, oggi ci permettono di curare malattie, studiare il passato, comprendere il clima e produrre energia pulita.

Abbiamo ereditato l’età dell’atomo come simbolo di potere e minaccia, ma possiamo ancora trasformarla in qualcos’altro. Forse è il momento di farla coincidere, almeno in parte, con quella “età dell’Acquario” cantata negli anni ’60: un’epoca immaginata di pace, di fiducia nella scienza, di armonia tra progresso e umanità.

Non si tratta di utopia, ma di responsabilità. Perché l’atomo, da solo, non porta né salvezza né rovina. È la mano che lo guida, e la visione che lo orienta, a determinarne il destino.

Sta a noi decidere se vivere nella paura del passato o costruire, con consapevolezza, un futuro possibile e migliore.

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

Il formaggio non ha più segreti

Il titolo di questo articoletto è un po’ eccessivo, ma non l’ho scelto io. Si tratta del titolo apparso sulla rivista “Formaggi e Consumi” per una intervista all’Ing. Gianni Ferrante della Stelar che parla degli ultimi sviluppi della rilassometria NMR a ciclo di campo per le analisi dei prodotti lattiero-caseari. Si tratta di un progetto ambizioso in cui è coinvolta anche l’Università degli Studi di Palermo nelle figure dei Professori Paolo Lo Meo, Delia Chillura-Martino del Dipartimento STEBICEF, del Prof. Luciano Cinquanta e me del Dipartimento SAAF. L’articolo lo trovate a questo link, oppure cliccando sull’immagine qui sotto.

Fonte dell’immagine di copertina

Pubblicato il

Risonanza magnetica nucleare, alimenti, ambiente, bufale

Oggi sono stato intervistato sul canale YouTube BioLogic di Daniel Puente. Abbiamo parlato di risonanza magnetica nucleare applicata all’analisi dei prodotti lattiero caseari, con qualche puntata sull’ambiente e su varie scemenze che si leggono in rete.  Mi sono divertito. Buona visione.

https://www.youtube.com/watch?v=zoZlb4cz7tE&feature=emb_imp_woyt

Per iscrivervi al canale BioLogic basta andare sulla pagina https://www.youtube.com/channel/UC-P-5bM3ifklXJtczrtu1_g

Pubblicato il

Ancora su anidride carbonica e mascherine

Vi ricordate la lettera aperta che all’inizio di ottobre ho scritto ad Enrico Montesano? No!? Eccola nel link qui sotto:

Lettera aperta ad Enrico Montesano

In questa lettera facevo notare al mai dimenticato Rugantino che quanto asseriva in merito alla pericolosità delle mascherine erano tutte sciocchezze. Lo facevo con la solita metodica scientifica, ovvero considerando gli aspetti quantitativi relativi alla dimensione delle molecole di anidride carbonica e quella dei pori delle mascherine attraverso cui il gas passa.

Per darvi una idea grafica delle conclusioni in merito al rapporto dimensionale tra la molecola di anidride carbonica e un poro di una mascherina chirurgica, potete far riferimento alla Figura 1.

Figura 1. Il puntino a sinistra è la rappresentazione di una molecola di anidride carbonica. Il cerchio a sinistra è la rappresentazione di un poro di una mascherina chirurgica.

In questa figura, considerando unitaria la dimensione della molecola di CO2 (il puntino a sinistra), un poro di una mascherina chirurgica risulta circa 800 volte più grande della molecola di anidride carbonica (cerchio a sinistra in Figura 1).

Nei giorni successivi alla pubblicazione della lettera aperta c’è stato un delirio di interventi (tra messaggi nel blog e lettere ai miei indirizzi e-mail) tutti a carattere monotematico. Ad eccezione di tre/quattro persone che si sono complimentate per aver finalmente evidenziato, numeri alla mano, l’incongruenza di quanto detto da Montensano e i figuri a cui egli si ispira, c’è stata gente che, per lo più in un italiano stentato e dimostrando di aver saltato tutte le lezioni sulle equivalenze fatte alle scuole elementari, pretendeva di mettere in dubbio i numeri riportati nella mia lettera aperta. Le argomentazioni andavano dall’aver usato concetti di chimica troppo complicati (SIC!), alla matematica troppo difficile (SIC!), al fatto che io non uso la mascherina in modo continuativo e non so cosa vuol dire stare tutto il giorno con questo dispositivo di protezione individuale, al fatto che non soffro di patologie che mi impediscono di indossare la mascherina. E potrei continuare.

Nel marasma di commenti tutti sulla falsariga di quanto appena riportato, ci sono stati alcuni interventi che meritano la mia attenzione. In sintesi, si tratta di commenti che evidenziano come le mie argomentazioni siano corrette considerando una singola molecola di CO2 ed un singolo poro di una mascherina chirurgica. Tuttavia, avrei dovuto considerare che noi espiriamo milioni di miliardi di molecole di anidride carbonica. I pori della mascherina rappresentano, quindi, un “collo di bottiglia” attraverso cui tutte quelle molecole non riescono a fuoriuscire tra un respiro e l’altro, con la conseguenza che reimmettiamo nel nostro organismo la CO2 che abbiamo appena espirato.

Purtroppo, la logica che ci ha consentito di sopravvivere alle belve feroci per arrivare fino ad oggi, non si può applicare in ambito scientifico dove i modelli che vengono sviluppati sono tutti, ma proprio tutti, controintuitivi. Inoltre, fare  affermazioni senza il supporto di dati numerici non è esattamente corretto sotto il profilo scientifico. Infatti, tutti i commenti in merito all’azione “collo di bottiglia” esercitata dalle mascherine erano di tipo aneddotico. Nessuno, ma proprio nessuno, si è mai peritato di fornire un modello matematico per spiegare i propri ragionamenti.

Vediamo perché l’idea del “collo di bottiglia” che non permette il passaggio della CO2 che espiriamo è completamente sbagliata.

Basta una banale ricerca in rete per trovare che la permeabilità (intesa come il flusso di gas che passa attraverso le mascherine per unità di superficie) è di circa 10 litri al minuto (L min-1) per le mascherine chirurgiche e di circa 5 L min-1 per le mascherine tipo FFP2 (qui). Volete sapere cosa significano questi numeri? Semplicemente che per ogni centimetro quadrato di mascherina, passano 10 L min-1 e 5 L min-1 (a seconda della tipologia di mascherina) di aria. Questi numeri sono stati misurati usando una pressione di esercizio di circa 20 mbar, ovvero la pressione esercitata dall’apparato respiratorio a riposo (qui). In ogni caso, più alta è la pressione esercitata contro le mascherine, maggiore è la loro permeabilità (qui). Considerando che il flusso di aria che espiriamo mediamente è di circa 6 L min-1 (qui), ne viene che di anidride carbonica tra la mascherina ed il viso non rimane nulla. In altre parole, non c’è alcun rischio di respirare la propria anidride carbonica.

Da dove viene, allora, la convinzione che le mascherine consentirebbero di respirare la propria “aria usata”?

Si tratta solo di fattori psicologici che nulla hanno a che fare con la reale capacità di una qualsiasi mascherina di impedire il passaggio dell’aria che fuoriesce dai nostri polmoni (qui e qui). In pratica, chi afferma che non riesce a respirare è solo vittima delle proprie impressioni personali che non hanno niente a che vedere con la realtà chimico-fisica delle mascherine il cui uso è fortemente consigliato (assieme alle distanze di sicurezza e ad elementari norme igieniche) per ridurre la dffusione del contagio da SARS-COV-2.

Note

Alcuni lettori del blog mi hanno chiesto come mai le mascherine chirurgiche vanno indossate in un ben preciso verso, ovvero con la parte colorata rivolta verso l’esterno. La risposta è stata data qualche tempo fa in questo link. In sintesi, la parte colorata di una mascherina chirurgica è fatta da materiale idrorepellente. Questo riduce la possibilità che le eventuali goccioline di saliva espirate da persone con cui, per esempio, stiamo parlando, possano penetrare attraverso lo strato colorato e raggiungere gli strati interni con possibilità di contaminarci.

Altri lettori mi hanno chiesto come mai gli occhiali si appannano quando indossiamo la mascherina. L’appannamento è dovuto al fatto che l’aria che espiriamo è calda. Quando le molecole di acqua calda che espiriamo entrano a contatto con la superficie fredda dei nostri occhiali, condensano dando luogo al fenomeno dell’appannamento (qui).

Letture e riferimenti

Characterization of face masks

An overview of filtration efficiency through the masks: Mechanisms of the aerosols penetration

Air permeability and pore characterization of surgical mask and gowns

On respiratory droplets and face masks

Characteristics of Respirators and Medical Masks

FONTE DELL’IMMAGINE DI COPERTINA
Pubblicato il

Cosa è e quali sono le applicazioni della rilassometria NMR?

Più volte ho citato la tipologia di lavoro di ricerca che faccio all’università. La tecnica di cui sono diventato esperto, dopo aver lavorato per tanto tempo sulla spettroscopia di risonanza magnetica nucleare in fase liquida e solida, è la cosiddetta rilassometria NMR a ciclo di campo (fast field cycling NMR relaxometry). Questa tecnica aiuta a capire la dinamica molecolare di tantissimi sistemi chimici. In altre parole, aiuta a capire come si muovono le molecole in diverse situazioni fisiche. Per esempio, si può capire come si muovono i nutrienti vegetali nei suoli, come si comportano i contaminanti ambientali per arrivare anche alla definizione di parametri innovativi che possono misurare (ovvero quantificare) l’erosione dei suoli.

Tutto questo, e altro ancora, è stato spiegato in un webinar sulla rilassometria NMR patrocinato dalla Stelar srl e dalla COST Action CA15209: ”European Network on NMR Relaxometry” il 29/05/2020.

Se avete una quarantina di minuti liberi e volete sapere di più, potete ascoltare cliccando sull’immagine qui sotto

Fonte dell’immagine di copertina

Pubblicato il

Dubbi sul vaccino anti-Covid russo

Recentemente è apparso su The Lancet, autorevole rivista scientifica di carattere medico, un lavoro che illustra l’efficacia di un vaccino anti-Covid sviluppato da ricercatori russi. Il lavoro è disponibile qui. Tuttavia, dall’analisi dei dati riportati nel lavoro, sono venuti fuori alcuni limiti che fanno dubitare della serietà del lavoro. È per questo che alcuni scienziati, tra cui il sottoscritto, si sono fatti latori di una lettera aperta in cui chiedono di poter analizzare i dati bruti da cui sono state ottenute le figure che sembrano artefatte.

La lettera è disponibile cliccando sulla figura qui sotto


La stessa lettera è stata pubblicata su Il Foglio (qui)

Pubblicato il

Oli, sali e zuccheri

Oggi ho trovato una bella sorpresa on line. La C1V edizioni ha reso disponibili le presentazioni fatte nel 2018 in occasione del secondo Convegno Nazionale Medicina e Pseudoscienza (CNMP).  Durante il convegno ho fatto una lunga lezione divulgativa sulle false informazioni in merito agli oli, ai sali ed agli zuccheri. Qualche mese dopo avrei pubblicato “Frammenti di Chimica” in cui si trovano molte delle cose che ho detto in quel convegno.
Se volete divertirvi ad ascoltarmi, qui sotto ci sono i miei tre interventi.

Prima parte

Seconda parte

Terza parte

In realtà il congegno del 2018 è stato molto ricco. Hanno partecipato tutti gli scienziati attivi nella lotta alle bufale: da Silvio Garattini a Piero Angela, da Roberto Burioni a Francesco Galassi e tanti tanti altri. Se volete fare un viaggio nel tempo e partecipare al convegno, potete iscrivervi al canale YouTube della C1V e ascoltare tutte le presentazioni. Basta cliccare sull’immagine qui sotto.

 

Share