INTELLIGENZA ARTIFICIALE: UN METODO INNOVATIVO NELLA LOTTA CONTRO LE PATOLOGIE INFETTIVE ALIMENTARI

Come tutte le forme viventi, anche i batteri sono in costante adattamento all’ambiente in cui vivono, in modo da aumentare le probabilità di sopravvivenza e riproduzione. Questo processo evolutivo vede lo sviluppo di caratteristiche specifiche che permettono loro di rispondere efficacemente alle varie condizioni ambientali. Il patrimonio genetico racchiude informazioni vitali che possono così svelare aspetti significativi della vita e della storia di quel microrganismo, a partire dal suo habitat originario.

Le informazioni contenute nel genoma sono fondamentali soprattutto per studiare patogeni batterici di origine alimentare, come Listeria monocytogenes, responsabile della listeriosi, una patologia che rappresenta un grave rischio per chi ha un sistema immunitario compromesso, come anziani, donne in gravidanza o persone affette da malattie croniche e degenerative. Con migliaia di morti a livello mondiale, la listeriosi è considerata una delle più gravi zoonosi di origine animale.

È per questo che la comparsa di casi di listeriosi implica la necessità di individuare nel più breve tempo possibile la fonte alimentare contaminata che ha causato l’infezione, risalendo la catena di produzione in modo da intervenire tempestivamente per limitare il numero dei casi. In termini tecnici, questa operazione è chiamata “source attribution”. In questo ambito, un nuovo studio scientifico condotto dall'Unità di Bioinformatica dell'IZS di Teramo ha messo a confronto diversi modelli predittivi di Machine Learning che permettono di predire l’origine alimentare del batterio partendo dal suo genoma. I frutti di questa ricerca sono stati pubblicati sulla prestigiosa rivista scientifica BMC Genomics.

“Nel caso specifico della listeriosi – dice Nicolas Radomski, ultimo autore del lavoro scientifico – dobbiamo tenere presente che la patologia ha tempi di incubazione che possono essere piuttosto lunghi. Diventa allora difficile individuare il cibo responsabile dell’infezione semplicemente facendo domande al paziente, che il più delle volte non ricorda cosa ha mangiato una settimana prima, e che comunque avrà mangiato cibi diversi. Utilizzando tecniche avanzate di sequenziamento genomico e di Machine Learning, i ricercatori possono ora assegnare delle probabilità riguardo l’origine alimentare del patogeno e quindi degli alimenti a rischio”.

Le indagini epidemiologiche tradizionali a seguito di casi di listeriosi possono richiedere molto tempo, in alcuni casi anche mesi. Si tratta di verificare e analizzare tutti i cibi consumati abitualmente dai pazienti, alla ricerca della sorgente di infezione. Le metodiche evidenziate in questo lavoro scientifico, invece, permettono di ottenere indicazioni essenziali per guidare le indagini, focalizzando rapidamente l’attenzione su specifici alimenti da sottoporre ad analisi.

“È importante sottolineare – conclude il ricercatore – che queste tecniche possiedono un potenziale applicativo più vasto e flessibile. In particolare, possono essere rivolte verso la gestione e la comprensione di altri fenotipi critici e urgenti, come il problema emergente della resistenza agli antimicrobici. Implementando e ottimizzando tali approcci, l’Intelligenza Artificiale può notevolmente accelerare e migliorare la scoperta di mutazioni coinvolti nella resistenza agli antimicrobici, contribuendo così allo sviluppo di strategie più efficaci per combattere le infezioni resistenti.”