Intelligenza artificiale per predire i parti pretermine: uno studio che analizza il microbioma ci conferma che è possibile

Intelligenza artificiale per predire i parti pretermine: uno studio che analizza il microbioma ci conferma che è possibile.

Intelligenza artificiale per predire i parti pretermine: lo studio di un gruppo internazionale di scienziati di diverse università americane ed europee, con la partecipazione dell’Università degli Studi di Bari Aldo Moro e dell'Istituito Nazionale di Fisica nucleare, ha affrontato questa sfida analizzando enormi insiemi di dati armonizzati provenienti da diversi studi sul microbioma, tutti focalizzati sulla stessa domanda: la composizione del microbioma è correlata alla nascita pretermine? Grazie al lavoro di questo gruppo di lavoro, gli scienziati possono ora rispondere definitivamente di sì.

Il nostro corpo pullula di una vasta gamma di batteri, che costituiscono il microbioma, il quale ha un legame un po' misterioso con la nostra salute generale. Negli ultimi decenni, gli scienziati hanno cercato di spiegare come le diverse popolazioni di specie batteriche possano influenzare o riflettano lo stato di buona salute o di malattia, ma questi studi sono spesso stati limitati dalla scarsa riproducibilità.

La strategia dominante per gli studi sul microbioma è quella di studiare un gene del DNA batterico all'interno di un campione, chiamato 16S, presente in tutti i batteri. Questo gene ha delle aree che funzionano come un codice a barre e permettono di risalire ai microbi presenti in ogni campione. Attraverso l’utilizzo dei dati sul microbioma provenienti dalla rete March of Dimes - la principale organizzazione no-profit americana che lavora per migliorare i risultati sulla salute materna e infantile - e altri database pubblici, è stata avviata un'iniziativa internazionale di crowd sourcing. L’obiettivo era addestrare modelli basati sull’intelligenza artificiale e testarli attraverso il confronto in cieco tra le soluzioni sviluppate da gruppi di ricerca indipendenti a livello mondiale.

Il gruppo di fisici e microbiologi baresi, Roberto Bellotti, Maria De Angelis, Pierfrancesco Novielli, Donato Romano, Ester Pantaleo, Mirco Vacca, Alfonso Monaco e Nicola Amoroso, coordinati da Sabina Tangaro, ha sviluppato uno dei modelli più performanti della competizione per la predizione del parto pretermine.

Prima di questa ricerca, non avevamo modo di prevedere la nascita pretermine sulla base del microbioma di una donna e non avevamo prove scientifiche decisive che il microbioma fosse effettivamente un predittore del rischio di nascita pretermine Oggi, possediamo una chiara comprensione che il microbioma gioca un ruolo fondamentale nel rischio di parti pretermine, fornendoci un mezzo affidabile per valutare tale rischio e intervenire precocemente per prevenire esiti avversi.

"Questo è solo l'inizio del nostro percorso - ha dichiarato la prof.ssa Tangaro - progettiamo di rendere i modelli più robusti, versatili, e soprattutto spiegabili, al fine di ottenere un impatto significativo nel minor tempo possibile. Con un numero crescente di studi che riconoscono il microbioma come strumento predittivo, ora superate le sfide tecniche nella creazione di modelli predittivi, si prevede che tale approccio possa essere applicato a condizioni come la nascita pretermine, non solo come causa, ma anche in risposta ai cambiamenti nell'ospite, la madre. Questo riflesso della nostra salute, del nostro patrimonio genetico e delle nostre esposizioni ambientali, offre un'importante fonte di informazioni sulla nostra condizione.

Come prossimo passo, auspichiamo che questa tecnologia esca dallo spazio della ricerca e trovi applicazione clinica attraverso studi clinici prospettici coinvolgendo donne in gravidanza e i loro medici. Inoltre, intendiamo testare questo approccio su altre condizioni, come lo studio delle malattie reumatologiche rare, del cancro e dell'autismo, ambiti su cui il nostro gruppo di lavoro presso l'Università di Bari è attualmente concentrato".

“Microbiome Preterm Birth DREAM Challenge: Crowdsourcing Machine Learning Approaches to Advance Preterm Birth Research”