{"id":39446,"date":"2025-05-15T08:36:40","date_gmt":"2025-05-15T08:36:40","guid":{"rendered":"https:\/\/www.hunimed.eu\/news\/come-usare-meglio-lia-per-la-ricerca-sul-cancro\/"},"modified":"2025-05-15T08:36:40","modified_gmt":"2025-05-15T08:36:40","slug":"come-usare-meglio-lia-per-la-ricerca-sul-cancro","status":"publish","type":"post","link":"https:\/\/www.hunimed.eu\/it\/news\/come-usare-meglio-lia-per-la-ricerca-sul-cancro\/","title":{"rendered":"Come usare meglio l\u2019IA per la ricerca sul cancro"},"content":{"rendered":"\n
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\u00f2 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<\/a> <\/strong>\u2212 Professoressa Associata di Genetica presso Âéw¶¹´«Ã½ \u2212 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 nell\u2019oncologia personalizzata.<\/p>\n\n\n\n \u201cVogliamo sfruttare meglio l\u2019intelligenza artificiale per la ricerca sul cancro\u201d, spiega Charlotte Ng, che dirige il Computational Biology Lab<\/strong><\/a> presso l\u2019Istituto Clinico Humanitas. I modelli AI ampliano le nostre possibilit\u00e0 di analizzare in modo integrato i dati multi-omici, ossia i dati molecolari provenienti da fonti diverse, come la genomica e la trascrittomica. \u201cNella ricerca sul cancro, e soprattutto nel campo dell\u2019oncologia di precisione, i modelli attuali spesso ci limitano a utilizzare un solo tipo di dati alla volta. In questo progetto vogliamo sviluppare un approccio all\u2019AI per sfruttare davvero il vasto potenziale dei dati multi-omici\u201d.<\/p>\n\n\n\n Quali sono i limiti che il progetto di Charlotte Ng vuole superare? \u201cIl primo limite \u00e8 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\u201d. Le alterazioni del DNA, per esempio, avranno un impatto sulla trascrizione dell\u2019RNA, che a sua volta avr\u00e0 un effetto sulla sintesi delle proteine. \u201cVogliamo quindi sfruttare l\u2019interdipendenza di questi diversi tipi di dati per capire meglio i processi biologici\u201d, spiega Ng.<\/p>\n\n\n\n Inoltre, la maggior parte dei sistemi di intelligenza artificiale in uso oggi \u00e8 impostata per lavorare con set di dati completi, composti da pi\u00f9 tipi di dati. \u201cIn questo tipo di modelli, i campioni con dati mancanti vengono esclusi\u201d. Ma molti fattori, dal costo alle dimensioni del tessuto campione, spesso limitano la possibilit\u00e0 di generare tipi diversi di dati molecolari da un singolo campione. Avere modelli che ne tengano conto \u00e8 importante perch\u00e9 permetterebbe di usare anche questi set di dati, incompleti ma comunque preziosi, e di evitare il rischio di bias dovuti alla frammentariet\u00e0 dei dati.<\/p>\n\n\n\n Il progetto svilupper\u00e0 modelli di deep learning basati su reti neurali per rappresentare i diversi tipi di dati in modo integrato, invece che separatamente. \u201cVogliamo 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]\u201d.<\/p>\n\n\n\n Per testare questo approccio, il progetto partir\u00e0 dal carcinoma epatocellulare (HCC), un tipo di tumore al fegato la cui incidenza \u00e8 in aumento in Europa e in altri Paesi occidentali, ma per il quale le opzioni di cura sono limitate. \u201cSvilupperemo un modello per identificare biomarcatori prognostici per il carcinoma epatocellulare\u201d, 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<\/a> <\/strong>all\u2019Ospedale Universitario di Basilea, in Svizzera. L\u00ec, si \u00e8 concentrata sugli ambiti della bioinformatica del cancro e della biologia computazionale. \u201cSono sempre stata molto interessata a questi campi di ricerca, fin da quando mi sono dedicata alla bioinformatica durante la mia laurea all\u2019Universit\u00e0 del New South Wales, in Australia\u201d, racconta Charlotte Ng. Da allora, la ricercatrice \u00e8 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 Humanitas nel 2023.<\/p>\n\n\n\n \u201cPur 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 \u00e8 abbastanza consapevole delle interpretazioni biologiche o, viceversa, chi si occupa di biologia non \u00e8 esposto alla bioinformatica\u201d. Questa collaborazione \u00e8 fondamentale, sottolinea Ng, anche perch\u00e9 oggi l\u2019attenzione per la bioinformatica sta crescendo. \u201cDobbiamo imparare a parlare la stessa lingua, conoscere la terminologia e il modo in cui le cose vengono fatte\u201d.<\/p>\n\n\n\n A Humanitas, Ng promuove questa mentalit\u00e0 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\u00f9 tecnici dei loro progetti. Ogni mese abbiamo una persona interna che presenta al resto del gruppo, cos\u00ec abbiamo l\u2019opportunit\u00e0 di sentire cosa fanno gli altri\u201d, spiega Charlotte Ng.<\/p>\n\n\n\nConoscenze complementari<\/strong><\/h3>\n\n\n\n
Un\u2019AI pi\u00f9 utile per i medici e i pazienti<\/strong><\/h3>\n\n\n\n