L'IA e i Dati Multi-Omici Stanno Costruendo il Futuro della Medicina di Precisione

Le malattie complesse derivano da una disregolazione simultanea a molteplici livelli biologici, eppure la pratica medica attuale si basa ancora in larga misura su diagnosi e trattamenti standardizzati che ignorano le differenze molecolari individuali. Questa review di Mardinoglu e colleghi, pubblicata su Molecular Systems Biology, sostiene che la convergenza di dati biologici longitudinali su larga scala, AI e biologia dei sistemi rappresenta il percorso più praticabile verso una medicina veramente personalizzata. Gli autori sintetizzano le evidenze provenienti da centinaia di studi per delineare un framework in cui i dati multi-omici vengono raccolti, integrati e interpretati in modo continuo, al fine di rivelare i meccanismi di malattia con una risoluzione senza precedenti.

Al centro della componente di biologia dei sistemi vi sono i modelli metabolici su scala genomica (GEM). La review ne ripercorre lo sviluppo, dalle prime ricostruzioni della rete metabolica umana — Recon1 e EHMN nel 2007 — attraverso modelli progressivamente più raffinati, tra cui HMR1, HMR2, Recon2, Recon3D e infine Human1 nel 2020. Questi modelli codificano tutte le reazioni biochimiche note catalizzate da enzimi e trasportatori codificati nel genoma umano, consentendo ai ricercatori di costruire modelli tessuto-specifici — in particolare per fegato, intestino e altri organi — che simulano stati metabolici alterati in condizioni di malattia. GEM complementari specifici per microrganismi e per comunità microbiche hanno esteso questo framework all'intestino, alla cavità orale, alla flora vaginale e al microbiota cutaneo, rendendo possibile lo studio delle interazioni ospite-microbioma e l'identificazione di bersagli terapeutici basati sul microbioma.

La review cataloga un'ampia serie di importanti studi longitudinali multi-omici attualmente in corso in tutto il mondo, sottolineando che i dataset integrano ormai di routine genomica, epigenomica, trascrittomica, proteomica, metabolomica, lipidomica e metagenomica, insieme a cartelle cliniche, dati provenienti da dispositivi indossabili e informazioni dietetiche. Gli autori evidenziano come i dispositivi indossabili rilevino oggi in modo continuo parametri fisiologici — calorie bruciate, pressione arteriosa, frequenza cardiaca, livelli di attività fisica e sonno — mentre le cartelle cliniche elettroniche (EHR) forniscono note cliniche longitudinali, misurazioni fisiche e immagini diagnostiche. Questa ricchezza di dati rende l'AI indispensabile per il riconoscimento di pattern e la scoperta di biomarcatori su scale inaccessibili all'analisi umana.

Il ruolo dell'AI viene presentato secondo due modalità complementari. In primo luogo, gli algoritmi classici di machine learning e di deep learning identificano pattern rilevanti per la malattia all'interno di dataset multi-omici ad alta dimensionalità; la patologia digitale viene citata come esempio maturo, in cui dataset strutturati di grandi dimensioni hanno consentito l'applicazione clinica a supporto dei patologi. In secondo luogo, i modelli linguistici di grandi dimensioni (LLM) permettono ora un rapido text mining biomedico, accelerando l'interpretazione dei dati biologici e l'identificazione di connessioni tra geni, metaboliti, composizione del microbioma, dieta e tossine ambientali. Insieme, questi strumenti di AI stanno consentendo la scoperta di nuovi biomarcatori e bersagli farmacologici, comprimendo i tempi di sviluppo dei farmaci.

Il contributo più lungimirante della review riguarda il trattamento dei digital twin — modelli computazionali personalizzati dei singoli pazienti, costruiti a partire dai loro dati biologici longitudinali su larga scala. I modelli metabolici dell'intero organismo, come quelli basati sul framework Harvey/Harvetta, fungono da substrato per questi gemelli digitali, consentendo la simulazione in tempo reale della funzione biologica individuale e la previsione delle risposte agli interventi. Gli autori sostengono che questa infrastruttura costituisce il fondamento dei sistemi di supporto decisionale clinico guidati dall'AI, che potrebbero trasformare radicalmente l'assistenza ospedaliera da reattiva a predittiva e preventiva.

Le principali criticità riconosciute dagli autori includono l'attuale frammentazione degli standard dei dati tra le istituzioni, le sfide legate alla privacy e alla regolamentazione nella raccolta di dati biologici longitudinali, e i costi computazionali dell'esecuzione di modelli dell'intero organismo su larga scala. La review è principalmente sintetica piuttosto che empirica, basandosi su studi esistenti anziché presentare nuovi dati sperimentali; ciò limita la possibilità di quantificare specifiche dimensioni dell'effetto o esiti clinici direttamente attribuibili a questi approcci integrati.