Un nuovo paradigma per la ricerca sanitaria

La ricerca accademica tradizionale si è spesso basata su un modello che prevede l'isolamento degli esperti all'interno delle proprie discipline: i dipartimenti di biologia si occupano di biologia, quelli di ingegneria di ingegneria e le facoltà di medicina si concentrano sulla cura dei pazienti. La New York University (NYU) sta sovvertendo questo approccio con il suo nuovo Institute for Engineering Health. Qui, il principio organizzativo non ruota attorno alle discipline accademiche convenzionali, ma piuttosto agli stati patologici specifici. Invece di chiedersi "cosa possono contribuire gli ingegneri elettrici alla medicina?", l'istituto si interroga su "cosa servirebbe per curare l'asma allergica?", assemblando poi tutte le competenze necessarie per rispondere a tale domanda, che si tratti di immunologi, biologi computazionali, scienziati dei materiali, ricercatori di AI o ingegneri delle comunicazioni wireless.

Questo cambio di prospettiva ha già prodotto risultati promettenti. Un ingegnere chimico e un ingegnere elettrico hanno collaborato per creare un dispositivo capace di rilevare minacce aerodisperse, inclusi agenti patogeni, dando vita a una startup. Un medico ipovedente ha lavorato con ingegneri meccanici per sviluppare una tecnicia di navigazione per non vedenti nella metropolitana. Jeffrey Hubbell, direttore dell'Istituto, sta portando avanti la ricerca su "vaccini inversi" che potrebbero riprogrammare il sistema immunitario per trattare condizioni come la celiachia e le allergie, un lavoro che richiede una profonda padronanza di immunologia, ingegneria molecolare e scienza dei materiali.

Dalla singola inibizione alla cascata di attivazione: il ruolo dell'AI

Il problema di fondo che queste collaborazioni affrontano è tanto concettuale quanto organizzativo. Hubbell sostiene che la medicina moderna si è ottimizzata attorno a una singola strategia: lo sviluppo di farmaci che bloccano molecole specifiche o sopprimono risposte immunitarie mirate. La tecnicia degli anticorpi è stata la spina dorsale di questo approccio, eccellendo nel bloccare una cosa alla volta. L'industria farmaceutica è diventata estremamente abile nel creare questi inibitori, ciascuno progettato per interrompere una particolare via.

Tuttavia, Hubbell pone una domanda diversa: invece di inibire una singola "cosa negativa", cosa succederebbe se si potesse promuovere una "cosa positiva" e generare una cascata di effetti che contrastano simultaneamente diverse vie patologiche? Ad esempio, nell'infiammazione, si potrebbe orientare il sistema verso la tolleranza immunologica invece di bloccare le molecole infiammatorie una per una. Nel cancro, si potrebbero attivare vie pro-infiammatorie nel microambiente tumorale per superare molteplici caratteristiche immunosoppressive in una volta sola. Questo passaggio dall'inibizione all'attivazione richiede un set di strumenti fondamentalmente diverso e un nuovo tipo di ricercatore. L'AI, sebbene ancora limitata nella gestione di sistemi biologici complessi e su larga scala, è vista come un fattore chiave per accelerare i tempi di ricerca e sviluppo, potenzialmente dimezzando progetti che prima avrebbero richiesto un decennio.

Creare un "milieu" per la traduzione esplicita

Per formare ricercatori con questa profondità interdisciplinare, la NYU sta creando un "milieu" fisico e concettuale. L'università ha acquisito un grande edificio a Manhattan che fungerà da hub per la scienza e la tecnicia, una strategia deliberata di co-locazione progettata per favorire incontri tra persone di diverse scuole e discipline che altrimenti non si incrocerebbero. Come spiega Hubbell, "Ci saranno persone che si occupano di AI, data science, teoria della scienza computazionale, persone che fanno immunoingegneria e altre ingegnerie biologiche, persone che si occupano di scienza dei materiali e ingegneria quantistica, tutte in stretta prossimità tra loro."

Questa strategia riflette l'idea di Juan de Pablo, Vicepresidente Esecutivo per la Scienza e la Tecnologia Globale e Decano Esecutivo della NYU Tandon School of Engineering, di organizzare la ricerca attorno a "grandi sfide" piuttosto che a discipline tradizionali. La sola prossimità fisica, però, non basta. L'Istituto coltiva anche un approccio "esplicito" alla traduzione, pensando ai percorsi clinici e commerciali fin dal primo giorno. Vengono condotti "esercizi di traduzione" in sessioni di gruppo dove i ricercatori mappano l'intero percorso dalla scoperta al deployment prima di avviare programmi di ricerca pluriennali, valutando potenziali fallimenti e le tempistiche necessarie.

Le ambizioni future e i limiti attuali dell'AI

Questo approccio contrasta nettamente con la pratica accademica tipica, dove a volte si avviano programmi di dottorato quinquennali dopo una breve riflessione. L'Istituto, invece, coinvolge esperti che hanno già sviluppato farmaci, costruito algoritmi o commercializzato dispositivi, importando la loro preziosa esperienza nella fase di pianificazione. Il tempismo è propizio, poiché l'AI sta comprimendo drasticamente le tempistiche. Tuttavia, de Pablo sottolinea i limiti dell'AI: mentre strumenti come AlphaFold possono prevedere come si ripiega una singola proteina, la biologia opera su scale molto più ampie. "Ciò che dobbiamo fare ora è progettare non una proteina, ma collezioni di esse che lavorano insieme per risolvere un problema specifico," spiega.

Hubbell concorda: "La biologia è molto più grande – molti, molti, molti sistemi." Fegato e reni sono in luoghi diversi ma interagiscono. L'intestino e il cervello sono connessi neurologicamente in modi che i ricercatori stanno solo iniziando a mappare. "L'AI non è ancora a quel punto, ma lo sarà un giorno. E questo è il nostro compito: sviluppare i dataset, i framework computazionali, i framework di sistema per portare avanti questo processo." In un momento in cui alcune istituzioni di ricerca riducono le loro ambizioni, la NYU sta facendo l'opposto, puntando a sfide maggiori che richiedono collaborazioni e "collisioni" tra diverse competenze.