Curare, riparare, rigenerare: la medicina del futuro punta su materiali intelligenti in grado di imitare il corpo umano e nello specifico i tessuti biologici. Tra questi, un ruolo di primo piano lo giocano gli idrogel bioattivi, sostanze capaci di simulare l’ambiente che circonda le cellule nei nostri tessuti. Ma come progettare questi materiali in modo rapido, preciso e su misura?
A rispondere è un nuovo studio pubblicato su “Biomaterials Advances - Science Direct”, guidato da un team multidisciplinare coordinato dalla professoressa Laura Russo, docente di chimica organica presso il dipartimento di Medicina e Chirurgia del nostro ateneo. Lo studio presenta un modello di machine learning capace di dare istruzioni per la sintesi degli idrogel con le proprietà meccaniche e biochimiche desiderate. Un approccio che rende la progettazione di questi materiali più veloce, economica, e accessibile anche a chi non è esperto di chimica dei materiali. Un passo avanti decisivo per la medicina rigenerativa, la biostampa 3D di tessuti e il rilascio controllato di farmaci.
Professoressa Russo, in che modo l’intelligenza artificiale può semplificare un processo così complesso come la progettazione di nuovi biomateriali?
La progettazione di biomateriali, come gli idrogel che imitano la matrice extracellulare (ECM), richiede di bilanciare moltissimi parametri — composizione chimica, meccanica, bioattività — che di solito vengono ottimizzati mediante un lungo processo di tentativi in laboratorio. L’intelligenza artificiale, in particolare il machine learning, “impara” dai dati sperimentali e simulati e poi prevede quali combinazioni funzioneranno meglio, riducendo drasticamente il numero di esperimenti necessari. In pratica, fornisce ai ricercatori una sorta di bussola intelligente che guida la sintesi dei materiali, velocizzando il processo e riducendo sensibilmente costi e tempi.
Creare idrogel “su misura”: perché sono così importanti per la medicina del futuro?
Gli idrogel su misura, cioè personalizzati, sono fondamentali perché possono essere adattati alle esigenze specifiche di ciascun paziente o tessuto biologico. Per esempio, nella medicina rigenerativa servono materiali che riproducano perfettamente le proprietà chimiche, biologiche e meccaniche tipiche dell’ambiente naturale delle cellule per favorirne la crescita e la rigenerazione. Avere idrogel personalizzabili significa poter realizzare modelli di uno specifico tessuto patologico di paziente per studiare il trattamento terapeutico più efficace, tenete conto che le recentissime linee guida della FDA individuano in questi strumenti i nuovi protocolli per validare i farmaci.
Il vostro strumento è pensato anche per chi non è esperto di materiali. Questo significa che anche laboratori clinici o startup potranno usarlo per progettare nuovi idrogel?
Esattamente. Oggi lo sviluppo di biomateriali “intelligenti” per applicazioni biomediche richiede un approccio interdisciplinare che combina competenze chimiche, ingegneristiche, biotecnologiche e cliniche. Uno degli obiettivi principali del progetto era rendere la progettazione razionale dei biomateriali più accessibile anche a laboratori biologici o clinici, pur rimanendo consapevoli che una conoscenza di base dei principi chimici e ingegneristici resta fondamentale per interpretare correttamente i risultati e realizzare le formulazioni. La piattaforma, grazie a un’interfaccia user-friendly, aiuta l’utente a orientarsi nella selezione delle formulazioni più adatte. In questo modo apre la strada a un utilizzo più ampio, dai laboratori clinici alle startup biotech, contribuendo a democratizzare l’accesso alle tecnologie avanzate senza però sostituire le competenze specialistiche necessarie.
Che impatto potrebbe avere questa ricerca nel breve termine, ad esempio nella rigenerazione di tessuti o nella stampa 3D di organi artificiali?
Nel breve termine, ci aspettiamo un’accelerazione concreta nella creazione di idrogel funzionali e modulabili per applicazioni cliniche e di ricerca. Il grande contributo di questo strumento AI sta nella possibilità di personalizzare le proprietà dei materiali in base alla specificità del tessuto di riferimento — sia esso fisiologico o patologico — un aspetto cruciale sia per i modelli 3D usati nello screening farmacologico sia per le applicazioni di ingegneria tissutale. L’obiettivo finale è arrivare a una vera medicina personalizzata, riducendo al tempo stesso i costi e i tempi normalmente associati alla personalizzazione dei biomateriali. Inoltre, la maggiore riproducibilità e scalabilità delle formulazioni faciliterà il passaggio dalla ricerca al prodotto clinico, rendendo queste soluzioni più accessibili e pronte all’uso.
Guardando al futuro, quali sviluppi immagina per la progettazione assistita da AI di materiali per la medicina rigenerativa?
Guardando al futuro, ci aspettiamo che questo sia il punto di partenza per sviluppare strumenti di intelligenza artificiale sempre più sofisticati, capaci non solo di velocizzare il processo di produzione dei biomateriali, ma anche di supportare un design razionale a priori, riducendo tempi e costi. Grazie a una corretta classificazione e interpretazione dei dati, e con l’aumento delle informazioni disponibili, l’AI potrà prevedere non solo le proprietà meccaniche, ma anche le risposte biologiche dei materiali, risultato di specifiche interazioni chimiche che oggi sappiamo essere fondamentali nel dialogo tra materiale e sistema biologico. Questo porterà a un’integrazione sempre più stretta tra chimica, ingegneria e biologia, aprendo la strada a uno sviluppo più mirato, sicuro e personalizzato, e contribuendo a rendere la medicina rigenerativa sempre più efficiente, accessibile e innovativa.
