Un nuovo strumento computazionale per la preparazione alle pandemie
La ricerca in immunologia ha fatto un passo avanti significativo con l’introduzione di uno strumento computazionale che promette di migliorare la preparazione alle pandemie. Questo algoritmo, che utilizza l’apprendimento automatico, o machine learning, è in grado di individuare schemi all’interno di set di dati sperimentali diversi, migliorando così la comprensione delle risposte immunitarie. Si prevede che questo strumento porterà notevoli progressi nella progettazione di vaccini e nella ricerca immunologica, con un potenziale applicabile in vari contesti biologici.
La biologia computazionale incontra il machine learning
I ricercatori del sistema immunitario hanno sviluppato questo strumento computazionale con l’obiettivo di potenziare la preparazione alle pandemie. Gli scienziati possono utilizzare questo nuovo algoritmo per confrontare dati provenienti da esperimenti molto diversi tra loro e prevedere meglio come gli individui potrebbero rispondere alle malattie.
Tal Einav, Ph.D., Professore Assistente presso l’Istituto di Immunologia di La Jolla (LJI) e co-leader del nuovo studio pubblicato su Cell Reports Methods, afferma: “Stiamo cercando di capire come gli individui combattono diversi virus, ma la bellezza del nostro metodo è che può essere applicato in modo generale in altri contesti biologici, come il confronto tra diversi farmaci o diverse linee cellulari tumorali”.
Una sfida per la ricerca medica
Questo lavoro affronta una grande sfida nella ricerca medica. I laboratori che studiano le malattie infettive, anche quelli concentrati sugli stessi virus, raccolgono dati di tipo molto diverso. “Ogni set di dati diventa una propria isola indipendente”, dice Einav.
Alcuni ricercatori potrebbero studiare modelli animali, altri potrebbero studiare pazienti umani. Alcuni laboratori si concentrano sui bambini, altri raccolgono campioni da anziani immunocompromessi. Anche la posizione geografica è importante. Le cellule raccolte da pazienti in Australia potrebbero reagire diversamente a un virus rispetto a quelle raccolte da un gruppo di pazienti in Germania, semplicemente a causa delle diverse esposizioni virali in quelle regioni.
“Esiste un ulteriore livello di complessità in biologia. I virus sono sempre in evoluzione, e questo cambia anche i dati”, dice Einav. ”E anche se due laboratori osservassero gli stessi pazienti nello stesso anno, potrebbero aver eseguito test leggermente diversi”.
Un metodo computazionale unificante
Lavorando a stretto contatto con Rong Ma, Ph.D., ricercatore post-dottorato presso l’Università di Stanford, Einav si è prefissato di sviluppare un algoritmo che aiutasse a confrontare grandi set di dati. La sua ispirazione è venuta dal suo background in fisica, una disciplina in cui, indipendentemente da quanto innovativo sia un esperimento, gli scienziati possono essere certi che i dati si adatteranno alle leggi fisiche note. E sarà sempre uguale a mc2.
“Quello che mi piace fare come fisico è raccogliere tutto insieme e capire i principi unificanti”, dice Einav.
Il nuovo metodo computazionale non ha bisogno di sapere esattamente dove o come ogni set di dati è stato acquisito. Invece, Einav e Ma hanno sfruttato il machine learning per determinare quali set di dati seguono gli stessi schemi sottostanti.
“Non devi dirmi che alcuni dati provengono da bambini o adulti o adolescenti. Chiediamo semplicemente alla macchina ‘quanto sono simili i dati tra loro’, e poi combiniamo i set di dati simili in un super-set che addestra algoritmi ancora migliori”, dice Einav. Nel tempo, questi confronti potrebbero rivelare principi coerenti nelle risposte immunitarie, schemi difficili da rilevare tra i molti set di dati sparsi che abbondano in immunologia.
Potenziali impatti sulla progettazione dei vaccini e sull’immunologia
Ad esempio, i ricercatori potrebbero progettare vaccini migliori capendo esattamente come gli anticorpi umani prendono di mira le proteine virali. Qui la biologia diventa di nuovo molto complicata. Il problema è che gli esseri umani possono produrre circa un quintilione di anticorpi unici. Nel frattempo, una singola proteina virale può avere più variazioni di quante ce ne siano atomi nell’universo.
“Ecco perché le persone stanno raccogliendo set di dati sempre più grandi per cercare di esplorare il quasi infinito campo di gioco della biologia”, dice Einav.
Ma gli scienziati non hanno tempo infinito, quindi hanno bisogno di modi per prevedere le vaste distese di dati che non possono realisticamente raccogliere. Già, Einav e Ma hanno dimostrato che il loro nuovo metodo computazionale può aiutare gli scienziati a colmare queste lacune. Dimostrano che il loro metodo per confrontare grandi set di dati può rivelare innumerevoli nuove regole di immunologia, e queste regole possono poi essere applicate ad altri set di dati per prevedere come dovrebbero apparire i dati mancanti.
Il nuovo metodo è anche abbastanza approfondito da fornire agli scienziati la fiducia dietro le loro previsioni. In statistica, un “intervallo di confidenza” è un modo per quantificare quanto uno scienziato è certo di una previsione.
“Queste previsioni funzionano un po’ come l’algoritmo di Netflix che prevede quali film potresti voler guardare”, dice Einav. L’algoritmo di Netflix cerca schemi nei film che hai selezionato in passato. Più film (o dati) aggiungi a questi strumenti di previsione, più accurate diventeranno quelle previsioni.
“Non possiamo mai raccogliere tutti i dati, ma possiamo fare molto con solo poche misurazioni”, dice Einav. “E non solo stimiamo la fiducia nelle previsioni, ma possiamo anche dirti quali ulteriori esperimenti aumenterebbero al massimo questa fiducia. Per me, la vera vittoria è sempre stata ottenere una profonda comprensione di un sistema biologico, e questo quadro mira a fare proprio questo”.
Direzioni future e collaborazioni
Einav si è recentemente unito alla facoltà dell’LJI dopo aver completato la sua formazione post-dottorato nel laboratorio di Jesse Bloom, Ph.D., presso il Fred Hutch Cancer Center. Mentre continua il suo lavoro all’LJI, prevede di concentrarsi sull’uso di strumenti computazionali per saperne di più sulle risposte immunitarie umane a molti virus, a partire dall’influenza. È ansioso di collaborare con i principali immunologi e scienziati dei dati dell’LJI, tra cui il Professor Bjoern Peters, Ph.D., anch’egli fisico di formazione.
“Si ottiene una bellissima sinergia quando si hanno persone provenienti da questi diversi background”, dice Einav. “Con il giusto team, risolvere questi grandi problemi aperti diventa finalmente possibile”.
