Un nuovo progetto finanziato da un AIRC Start-up Grant punta a superare i limiti attuali dei modelli AI applicati alla multi-omica, aprendo la strada a innovazioni nel campo del濒鈥檕ncologia di precisione
I modelli AI stanno rivoluzionando la ricerca sul cancro: possono rilevare pattern tipici del cancro, identificare mutazioni genetiche o aiutare ad analizzare le immagini diagnostiche. Ci sono per貌 ancora dei seri limiti a quello che gli attuali modelli AI possono fare. In un progetto finanziato da un AIRC Start-up Grant, Charlotte Ng 鈭� Professoressa Associata di Genetica presso 麻豆传媒AV在线看 University 鈭� e il suo team studieranno approcci innovativi per superare gli attuali limiti dei modelli di IA applicati ai dati che derivano dalle scienze omiche, un lavoro che potrebbe aprire la strada a progressi nel濒鈥檕ncologia personalizzata.
鈥淰ogliamo sfruttare meglio 濒鈥檌ntelligenza artificiale per la ricerca sul cancro鈥�, spiega Charlotte Ng, che dirige il presso 濒鈥橧stituto Clinico 麻豆传媒AV在线看. I modelli AI ampliano le nostre possibilit脿 di analizzare in modo integrato i dati multi-omici, ossia i dati molecolari provenienti da fonti diverse, come la genomica e la trascrittomica. 鈥淣ella ricerca sul cancro, e soprattutto nel campo del濒鈥檕ncologia di precisione, i modelli attuali spesso ci limitano a utilizzare un solo tipo di dati alla volta. In questo progetto vogliamo sviluppare un approccio al濒鈥橝I per sfruttare davvero il vasto potenziale dei dati multi-omici鈥�.
Conoscenze complementari
Quali sono i limiti che il progetto di Charlotte Ng vuole superare? 鈥淚l primo limite 猫 che la maggior parte dei modelli AI considera i dati multi-omici come indipendenti tra loro. Ma da una prospettiva biologica, sappiamo che questi dati non lo sono鈥�. Le alterazioni del DNA, per esempio, avranno un impatto sulla trascrizione del濒鈥橰NA, che a sua volta avr脿 un effetto sulla sintesi delle proteine. 鈥淰ogliamo quindi sfruttare 濒鈥檌nterdipendenza di questi diversi tipi di dati per capire meglio i processi biologici鈥�, spiega Ng.
Inoltre, la maggior parte dei sistemi di intelligenza artificiale in uso oggi 猫 impostata per lavorare con set di dati completi, composti da pi霉 tipi di dati. 鈥淚n questo tipo di modelli, i campioni con dati mancanti vengono esclusi鈥�. Ma molti fattori, dal costo alle dimensioni del tessuto campione, spesso limitano la possibilit脿 di generare tipi diversi di dati molecolari da un singolo campione. Avere modelli che ne tengano conto 猫 importante perch茅 permetterebbe di usare anche questi set di dati, incompleti ma comunque preziosi, e di evitare il rischio di bias dovuti alla frammentariet脿 dei dati.
Il progetto svilupper脿 modelli di deep learning basati su reti neurali per rappresentare i diversi tipi di dati in modo integrato, invece che separatamente. 鈥淰ogliamo usare queste conoscenze complementari per identificare caratteristiche che ci aiutino a capire la prognosi del cancro, e che potrebbero aiutare a identificare sottogruppi di pazienti [in base alle caratteristiche della patologia]鈥�.
Per testare questo approccio, il progetto partir脿 dal carcinoma epatocellulare (HCC), un tipo di tumore al fegato la cui incidenza 猫 in aumento in Europa e in altri Paesi occidentali, ma per il quale le opzioni di cura sono limitate. 鈥淪vilupperemo un modello per identificare biomarcatori prognostici per il carcinoma epatocellulare鈥�, spiega Charlotte Ng. Ng lavora su questo tipo di tumore al fegato da diversi anni, da quando era ricercatrice associata sotto la guida del prof. Luigi M. Terracciano al濒鈥橭spedale Universitario di Basilea, in Svizzera. L矛, si 猫 concentrata sugli ambiti della bioinformatica del cancro e della biologia computazionale. 鈥淪ono sempre stata molto interessata a questi campi di ricerca, fin da quando mi sono dedicata alla bioinformatica durante la mia laurea al濒鈥橴niversit脿 del New South Wales, in Australia鈥�, racconta Charlotte Ng. Da allora, la ricercatrice 猫 passata da Cambridge, nel Regno Unito (per un dottorato in oncologia), fino al Memorial Sloan Kettering Cancer Center di New York e ad altri istituti di ricerca di alto livello a Basilea e Berna, prima di approdare a 麻豆传媒AV在线看 nel 2023.
Un鈥橝I pi霉 utile per i medici e i pazienti
鈥淧ur avendo una formazione classica da bioinformatica, ho molta esperienza di lavoro nei laboratori sperimentali, fianco a fianco con i biologi, con i quali ho tuttora collaborazioni molto strette. Spesso chi fa bioinformatica non 猫 abbastanza consapevole delle interpretazioni biologiche o, viceversa, chi si occupa di biologia non 猫 esposto alla bioinformatica鈥�. Questa collaborazione 猫 fondamentale, sottolinea Ng, anche perch茅 oggi 濒鈥檃ttenzione per la bioinformatica sta crescendo. 鈥淒obbiamo imparare a parlare la stessa lingua, conoscere la terminologia e il modo in cui le cose vengono fatte鈥�.
A 麻豆传媒AV在线看, Ng promuove questa mentalit脿 collaborativa organizzando seminari interni mensili per i bioinformatici. “La maggior parte di loro lavora in laboratori di biologia e a volte i loro PI sono clinici o biologi. Cerco di contribuire, fornendo una prospettiva diversa sugli aspetti pi霉 tecnici dei loro progetti. Ogni mese abbiamo una persona interna che presenta al resto del gruppo, cos矛 abbiamo 濒鈥檕pportunit脿 di sentire cosa fanno gli altri鈥�, spiega Charlotte Ng.
Ng insegna anche bioinformatica a vari livelli, dagli studenti di medicina ai dottorandi. In questo contesto, la partnership con 濒鈥橴niversit脿 Bocconi ha dato vita al Corso di Laurea Magistrale in Data Analytics and Artificial Intelligence in Health Sciences (DAIHS). Si tratta di un programma biennale che mira a formare specialisti in grado di implementare metodi di IA e Machine Learning nel settore sanitario.
Sviluppare nuovi approcci per i modelli AI significa rendere questi sistemi pi霉 utili per i medici e i pazienti, a partire dal濒鈥檜sare meglio il tesoro di dati clinici generati dagli ospedali di ricerca, commenta Ng. 鈥淰orrei che gli approcci di AI e la scienza dei dati diventassero parte della gestione clinica, in modo da aiutare i medici a prendere decisioni cliniche, a identificare nuovi farmaci o a trovare le migliori opzioni di trattamento per i singoli pazienti鈥�.
