La psichiatria di precisione applicata agli psichedelici: biomarcatori neurali, analisi del linguaggio, IA predittiva e la mappatura delle controindicazioni reali. Un'esplorazione di dove la scienza è già arrivata — e di quanto distante sia ancora il sogno di un trattamento veramente personalizzato.

Serie: Psicotropi, mente e biologia  ·  Lettura: 18 min  ·  Aprile 2026

C'è un dato che emerge con fastidiosa costanza in tutti i trial clinici sugli psichedelici: la variabilità inter-individuale della risposta è enorme. Nell'episodio 3 abbiamo visto che i trial di fase 3 di Compass Pathways mostrano un tasso di risposta del 25% a sei settimane con psilocibina per la depressione resistente. Il che significa che il 75% dei partecipanti — persone con una patologia grave, che avevano già fallito molteplici linee di trattamento, selezionate con criteri rigorosi — non ha risposto in modo clinicamente significativo. Questa non è una notizia negativa sul farmaco: la stragrande maggioranza dei farmaci psichiatrici convenzionali ha tassi di risposta simili o peggiori. È invece una notizia urgente sulla necessità di capire chi risponde, perché, e se questo può essere previsto prima della somministrazione.

È esattamente il problema che la psichiatria di precisione — l'adattamento del trattamento alle caratteristiche biologiche e psicologiche del singolo paziente — si propone di risolvere. Negli ultimi cinque anni, l'intersezione tra questo campo e la ricerca sugli psichedelici ha prodotto alcune delle idee più interessanti della medicina contemporanea. L'episodio di oggi le esplora — con onestà sulla distanza tra le promesse e ciò che oggi è clinicamente realizzabile.

Perché la variabilità della risposta è così grande

Prima di cercare i predittori della risposta, vale la pena capire le sue fonti. Negli psichedelici, la variabilità è amplificata rispetto ai farmaci convenzionali per almeno tre ragioni strutturali.

La prima è biologica: la densità dei recettori 5-HT2A varia significativamente tra individui — in funzione di polimorfismi genetici, storia di uso di antidepressivi serotoninergici, età e stato metabolico. Chi ha meno recettori disponibili (o recettori meno sensibili) risponderà diversamente alla stessa dose rispetto a chi ne ha in abbondanza. La seconda è farmacologica: i processi di metabolizzazione della psilocibina — principalmente da parte del CYP2D6 epatico — variano per polimorfismi genetici noti. I "metabolizzatori rapidi" convertono la psilocibina in psilocina (la forma attiva) più velocemente e la degradano anche più velocemente: l'esperienza è più intensa ma più breve. I "metabolizzatori lenti" hanno un profilo inverso. La terza è psicologica e contestuale: il set e setting, come abbiamo visto nell'episodio 2, non è un fattore accessorio ma un modulatore principale dell'effetto. Due persone con la stessa biologia ricevono la stessa esperienza in modo radicalmente diverso a seconda del loro stato psicologico di partenza, delle aspettative e del contesto terapeutico.

Il corollario pratico di questa variabilità è che la domanda "funziona la psilocibina?" è meno utile della domanda "in chi funziona, e possiamo saperlo prima?". La seconda domanda apre la strada alla psichiatria di precisione — e alla possibilità di evitare trattamenti costosi, dispendiosi di tempo clinico e potenzialmente destabilizzanti per chi non risponderà comunque.

Cosa vediamo nel cervello prima, durante e dopo

La via più diretta alla personalizzazione del trattamento psichedelico passa per il neuroimaging funzionale — la possibilità di misurare l'attività cerebrale di un paziente prima della somministrazione e usarla per prevedere la risposta.

Un modello teorico guida buona parte di questa ricerca: il REBUS (Relaxed Beliefs Under Psychedelics), proposto da Robin Carhart-Harris e Karl Friston. Nella loro framework, il cervello è un sistema gerarchico di inferenze predittive: le regioni di alto livello (soprattutto la DMN e la corteccia prefrontale) impongono "credenze rigide" sulle regioni di livello inferiore, sopprimendo i segnali sensoriali che non si conformano alle previsioni. La depressione cronica si caratterizza proprio per questa rigidità: la DMN iperattiva impone narrative pessimistiche e ruminative che i segnali del presente non riescono a scalfire.

Il modello REBUS ha implicazioni dirette per la predizione della risposta: un paziente con una DMN particolarmente rigida e iperattiva al baseline — misurabile con fMRI a riposo — dovrebbe teoricamente beneficiare di più dall'effetto "allentante" degli psichedelici. Le revisioni sistematiche del 2025 degli studi fMRI pre- e post-psilocibina confermano che le modifiche alla connettività funzionale della DMN si correlano con i miglioramenti sintomatologici — ma i risultati sono ancora eterogenei e difficilmente standardizzabili tra studi diversi.

Un approccio più sofisticato è quello del Precision Functional Mapping (PFM), sviluppato alla Washington University di St. Louis e applicato alla psilocibina in uno studio pubblicato su Scientific Data nel giugno 2025. Invece di fare un singolo scan pre-trattamento, il PFM costruisce una mappa funzionale individuale del cervello attraverso sessioni fMRI ripetute nel tempo — riducendo il rumore statistico e ottenendo una firma neurale personalizzata. I ricercatori hanno confrontato l'effetto della psilocibina con quello del metilfenidato (Ritalin) sulle stesse reti cerebrali negli stessi individui — trovando che solo la psilocibina produceva modifiche persistenti alla connettività delle reti di default, sensoriali e cognitive nei due settimane successivi alla somministrazione.

Sul fronte della predizione computazionale, un preprint del luglio 2025 (graphTRIP, bioRxiv) ha introdotto un modello di geometric deep learning che integra dati fMRI pre-trattamento con mappe molecolari PET dei recettori serotoninergici per predire gli outcome dell'antidepressivo — sia in pazienti trattati con escitalopram (SSRI) sia in pazienti TRD trattati con psilocibina. Il modello predice i punteggi post-trattamento con accuratezza e generalizza a dataset indipendenti. È un risultato metodologicamente significativo, ma rimane per ora nella fase del preprint e non ha ancora ricevuto revisione peer-reviewed completa.

Il linguaggio pre-trattamento come predittore sorprendente

Uno dei risultati più inaspettati — e più intuitivamente affascinanti — nella ricerca sulla personalizzazione delle terapie psichedeliche viene dall'analisi computazionale del linguaggio.

Nel 2018, un team guidato da Carhart-Harris all'Imperial College aveva già mostrato qualcosa di sorprendente: un'intervista autobiografica condotta prima della somministrazione di psilocibina — in cui al paziente viene chiesto di raccontare alcuni episodi della propria vita — contiene abbastanza informazione, analizzata con algoritmi di machine learning, da distinguere i pazienti che risponderanno al trattamento da quelli che non risponderanno. L'accuratezza era dell'85%. La logica biologica è coerente con il modello REBUS: i pazienti depressi con pattern linguistici più rigidi, meno variabilità lessicale e più linguaggio in prima persona singolare tendono ad avere una DMN più rigida — e a rispondere meglio alla "scossa" della psilocibina.

Questo approccio è stato poi esteso con tecniche di NLP (Natural Language Processing) più avanzate e validato su popolazioni diverse. L'intuizione di base è che il cervello si rivela nel linguaggio: le caratteristiche della DMN — la ruminazione, il pensiero autobiografico, la narrativa del sé — emergono nelle strutture sintattiche e nel contenuto semantico di come una persona racconta se stessa. Un'intervista clinica di 20 minuti, analizzata da un algoritmo addestrato, potrebbe contenere più informazioni predittive di una sessione fMRI da 1.500 dollari.

Chi non dovrebbe ricevere terapie psichedeliche: lo stato attuale della conoscenza

La personalizzazione del trattamento non riguarda solo la selezione positiva dei responder — riguarda anche l'identificazione di chi potrebbe essere danneggiato. Le controindicazioni agli psichedelici sono un'area in cui la chiarezza scientifica è maggiore che nella predizione della risposta positiva, anche se rimangono zone grigie importanti.

C'è però un'area di controindicazione che la narrativa popolare sugli psichedelici tende a minimizzare e che merita attenzione specifica per i lettori di questo blog: la relazione con la vulnerabilità subclinica alla psicosi. Non tutti i disturbi psicotici sono diagnosticati. Esistono spettri di vulnerabilità — esperienze percettive insolite, tendenze paranoidi lievi, pensiero magico — che in condizioni ordinarie non raggiungono la soglia clinica ma che possono essere amplificate da un potente agonista del 5-HT2A.

Cosa il campo sta cercando: una rassegna dello stato dell'arte

Oltre al neuroimaging e al linguaggio, la ricerca sui predittori di risposta si estende su più livelli biologici. Il panorama è in rapida evoluzione — ecco dove si trova oggi il campo.

La stratificazione dei pazienti: un tentativo di mappa

Integrando quello che sappiamo dai biomarcatori con quello che sappiamo dalle popolazioni studiate nei trial, è possibile abbozzare una mappa — necessariamente provvisoria — di chi potrebbe beneficiare di quale approccio terapeutico psichedelico.

Cosa può fare l'AI per la psichiatria di precisione psichedelica

Il contributo dell'intelligenza artificiale a questo campo è reale ma ancora prevalentemente nella fase della ricerca, non in quella della clinica. Vale la pena distinguere cosa è già operativo da cosa è promessa.

Quello che l'AI sta già facendo in ambito di ricerca: analisi computazionale del linguaggio per predire i responder (Carrillo et al.), modelli di deep learning su grafi cerebrali fMRI (graphTRIP), analisi di sequenze RNA a singolo nucleo per mappare i pattern di attivazione genica indotti da psicoplastogeni (come nello studio TBG su Nature Neuroscience, episodio 6), analisi comportamentale automatizzata in modelli animali per screening accelerato di nuove molecole.

Quello che l'AI non fa ancora: selezionare il trattamento giusto per il paziente giusto in tempo reale, sostituire la valutazione clinica psichiatrica, o identificare in modo affidabile chi non risponderà prima della somministrazione. Questi rimangono obiettivi di ricerca — non strumenti clinici disponibili.

Un'applicazione concreta già in uso nella ricerca è l'analisi del set and setting tramite AI. Ricercatori dell'Usona Institute stanno sviluppando modelli che processano variabili contestuali pre-sessione — l'umore del giorno, i pattern di sonno, la qualità dell'alleanza terapeutica, i movimenti fisici — per ottimizzare il timing della somministrazione e il protocollo di supporto durante la sessione. Non è fantascienza: è un'estensione delle tecnologie di monitoraggio continuo già usate in psichiatria digitale.

Un'altra direzione promettente è il monitoraggio post-sessione assistito da AI. L'integrazione dell'esperienza — le settimane dopo la somministrazione in cui il paziente elabora ciò che ha vissuto — è clinicamente cruciale ma dipende interamente dalla disponibilità di terapeuti formati. Strumenti di supporto digitale basati su AI conversazionale potrebbero estendere la finestra di integrazione tra le sessioni, riducendo il rischio di perdita del beneficio per mancanza di follow-up strutturato.

Dove siamo davvero nel 2026

La psichiatria di precisione applicata agli psichedelici è un campo reale e in rapido sviluppo — ma siamo ancora lontani dall'avere strumenti validati per selezionare i pazienti su base biologica individuale prima della somministrazione. Il sogno — "fai un prelievo di sangue, un'fMRI e un'intervista, e l'algoritmo ti dice se risponderai alla psilocibina" — è plausibile come traiettoria a lungo termine. Come strumento clinico del 2026, non esiste ancora.

Quello che esiste è una comprensione molto più precisa di chi certamente non deve ricevere queste terapie (le controindicazioni), di alcune firme psicologiche che correlano con la risposta (linguaggio, apertura all'esperienza, rigidità della DMN), e di un framework teorico (REBUS) che rende biologicamente plausibile il perché alcuni pazienti rispondono e altri no.

Per chi ragiona in termini di biohacking e ottimizzazione personale, il messaggio è lo stesso che abbiamo ripetuto in ogni episodio: la variabilità individuale è reale e non ignorabile. Il fatto che la psilocibina abbia prodotto un'esperienza trasformativa in qualcuno che conosci non significa che produrrà la stessa cosa in te. Il fatto che non abbia prodotto effetti clinicamente misurabili nel 75% dei partecipanti a un trial controllato non significa che non funzioni — significa che il 25% che risponde deve ancora essere identificato prima della somministrazione, non dopo.

Questa incertezza non è un argomento contro la ricerca, né contro l'accesso terapeutico per chi ha già esaurito le alternative. È un argomento per la cautela, per la valutazione clinica individualizzata, e per la pazienza che la scienza seria richiede prima di affermare di aver trovato la risposta.

Claude.ai / Epicuro.net