Abstract
Le neoplasie mieloidi croniche (MN), che comprendono le sindromi mielodisplastiche (MDS) e le neoplasie mieloproliferative (MPN), sono disordini delle cellule staminali ematopoietiche caratterizzati da un’elevata variabilità interpaziente e, nonostante i recenti progressi, presentano ancora importanti bisogni clinici non soddisfatti. Questo progetto si propone di affrontare tali bisogni attraverso lo sviluppo di approcci di medicina di precisione basati su tecnologie avanzate di bioinformatica, statistica e intelligenza artificiale (IA), sfruttando un ricco insieme di dati omici e di imaging già disponibili e di nuova generazione. L’ipotesi alla base è che una caratterizzazione precisa della complessità genomica di ciascun paziente, combinata con tecnologie di imaging di nuova generazione, possa migliorare la classificazione delle malattie e la previsione dell’evoluzione e degli esiti clinici, con un impatto diretto sulla gestione personalizzata del paziente. L’obiettivo finale è quello di tradurre queste conoscenze in sistemi innovativi di supporto decisionale, spiegabili, per la pratica della medicina personalizzata. Le principali attività del progetto includono: • Sviluppo di un’infrastruttura informatica per la gestione della raccolta, armonizzazione, pre-processing e analisi dei dati clinici e molecolari; • Estrazione di caratteristiche dai dati omici (sequenziamento del DNA e RNA) e di imaging (immagini istopatologiche) mediante metodi di apprendimento non supervisionato per l’ integrazione di dati omici, immagini e clinici per identificare diversi tipi di MN; • Studio dell’eterogeneità tumorale tramite sequenziamento a singola cellula e sviluppo di sistemi di supporto decisionale basati su IA per una ematologia personalizzata. In particolare faremo: 1. Classificazione di nuova generazione e multi-omica delle entità cliniche nelle MN; 2. Standardizzazione della valutazione morfologica delle MN 3. Valutazione del rischio personalizzata, integrando dati omici e clinici. Per quanto riguarda l’implementazione clinica delle soluzioni IA sviluppate in ematologia, il progetto affronterà tre aspetti chiave: 1. Trasparenza: tramite metodi che spiegano le tecniche di AI 2. Affidabilità: validazione estensiva e indipendente dei modelli IA generati; 3. Protezione dei dati e condivisione: svilupperemo procedure di federated learning per la raccolta e l’analisi dei dati. In parallelo, la piattaforma informatica sviluppata potrà rappresentare uno strumento prezioso anche per futuri progetti di ricerca rivolti ad altri bisogni clinici non soddisfatti in ambito ematologico
Risultati raggiunti
Il progetto PRIN 2022 ha sviluppato metodologie avanzate di Intelligenza Artificiale per la medicina personalizzata nelle neoplasie mieloidi, integrando dati genomici, multi-omici, clinici e di imaging in modelli predittivi per la classificazione delle malattie, la stratificazione prognostica e il supporto alle decisioni cliniche. Nell'ambito del consorzio nazionale, l'Università di Bologna ha svolto un ruolo di riferimento per lo sviluppo metodologico e computazionale, coordinando le attività di Intelligenza Artificiale, modellistica statistica e bioinformatica. È stata realizzata un'infrastruttura per l'integrazione, l'armonizzazione e l'analisi di dati clinici e multi-omici su piattaforme di High Performance Computing, comprendente procedure di controllo qualità e gestione di grandi basi di dati eterogenee. Su questa infrastruttura sono stati sviluppati algoritmi innovativi di Explainable Artificial Intelligence, modelli probabilistici bayesiani, tecniche di Deep Learning basate su Variational Autoencoders, modelli di clustering genomico mediante Hierarchical Dirichlet Mixture Models e metodologie di Federated Learning, che consentono l'addestramento distribuito di modelli di Intelligenza Artificiale senza la condivisione dei dati sensibili tra i diversi centri clinici. Le metodologie sviluppate hanno permesso di integrare informazioni genomiche, trascrittomiche e cliniche per identificare nuove firme molecolari, migliorare la classificazione biologica delle neoplasie ematologiche e incrementare l'accuratezza della stratificazione prognostica. I modelli sono stati validati su ampie coorti multicentriche internazionali e applicati allo studio delle sindromi mielodisplastiche, della leucemia mielomonocitica cronica, della leucemia mieloide acuta e del mieloma multiplo, contribuendo allo sviluppo di sistemi di supporto alle decisioni cliniche per la medicina personalizzata. L'attività di ricerca ha prodotto numerose pubblicazioni su riviste scientifiche internazionali di elevato impatto, tra cui Journal of Clinical Oncology, The Lancet Haematology, Leukemia, PLoS Computational Biology, Computer Methods and Programs in Biomedicine, HemaSphere, International Journal of Molecular Sciences e Physica Medica. Tra i principali risultati figurano nuovi modelli di stratificazione genomica, approcci di deep learning per la prognosi, metodologie di Federated Learning e sistemi di classificazione molecolare basati sull'integrazione di dati multi-omici. L'impatto del progetto ha superato gli obiettivi iniziali, consolidando una linea di ricerca internazionale dedicata all'Intelligenza Artificiale e alla medicina di precisione in ematologia. Le metodologie sviluppate hanno rafforzato le collaborazioni nell'ambito delle iniziative europee HARMONY e GENOMED4ALL e hanno costituito la base scientifica dei progetti europei SYNTHEMA (Horizon Europe) e SYNTHIA (Innovative Health Initiative), dedicati allo sviluppo di dati sintetici, infrastrutture federate e tecnologie di Intelligenza Artificiale affidabili per la medicina personalizzata. Nel periodo 2024–2026 il progetto ha prodotto risultati metodologici e applicativi di rilievo internazionale, con contributi allo sviluppo di modelli di clustering genomico, analisi dell'espressione genica, stratificazione prognostica, validazione multi-omica e sistemi di supporto alle decisioni cliniche, confermando il ruolo dell'Università di Bologna quale riferimento europeo nello sviluppo di metodologie avanzate di Intelligenza Artificiale applicate alla medicina traslazionale e alle neoplasie ematologiche. Risultati scientifici (2024–2026) Sviluppo metodologico e Intelligenza Artificiale 1. Carota L. et al. Optimizing AI models for haematological malignancies with federated learning: simulations and experiments. Physica Medica, 2026. 2. Rollo C. et al. VAE-Surv: A novel approach for genetic-based clustering and prognosis prediction in myelodysplastic syndromes. Computer Methods and Programs in Biomedicine, 2025. 3. Dall'Olio D. et al. Emerging Signatures of Hematological Malignancies from Gene Expression and Transcription Factor-Gene Regulations. International Journal of Molecular Sciences, 2024. 4. Dall'Olio D. et al. Covering Hierarchical Dirichlet Mixture Models on Binary Data to Enhance Genomic Stratifications in Onco-Hematology. PLoS Computational Biology, 2024. Applicazioni cliniche e medicina personalizzata 1. Maggioni G. et al. Real-world, multi-omics validation of the clinical relevance of molecular taxonomy for myelodysplastic syndromes (MDS). HemaSphere, 2026. 2. Lanino L. et al. Molecular-Based Ecosystem to Improve Personalized Medicine in Chronic Myelomonocytic Leukemia. Journal of Clinical Oncology, 2026. 3. Mecklenbrauck R. et al. Prognostic impact of myelodysplasia-related gene mutations in FLT3-ITD-mutated acute myeloid leukemia. Leukemia, 2026. 4. Mosquera Orgueira A. et al. Machine learning risk stratification strategy for multiple myeloma: Insights from the EMN–HARMONY Alliance platform. HemaSphere, 2025. 5. Zampini M. et al. Characterization and clinical implications of p53 dysfunction in patients with myelodysplastic syndromes. Journal of Clinical Oncology, 2025. 6. Zampini M. et al. Single-cell multi-omics profiling reveals distinct patterns of clonal expansion and microenvironmental shifts associated with disease evolution in patients with myelodysplastic syndromes. Blood (ASH Annual Meeting Abstracts), 2025. 7. Komrokji R.S. et al. Data-driven, harmonised classification system for myelodysplastic syndromes: a consensus paper from the International Consortium for Myelodysplastic Syndromes. The Lancet Haematology, 2024. 8. Hernández-Sánchez A. et al. Rearrangements involving 11q23.3/KMT2A in adult AML: mutational landscape and prognostic implications – a HARMONY study. Leukemia, 2024. 9. Tentori C.A. et al. Clinical and genomic-based decision support system to define the optimal timing of allogeneic hematopoietic stem-cell transplantation in patients with myelodysplastic syndromes. Journal of Clinical Oncology, 2024.Dettagli del progetto
Responsabile scientifico: Gastone Castellani
Strutture Unibo coinvolte:
Dipartimento di Scienze Mediche e Chirurgiche
Coordinatore:
Università degli Studi di FIRENZE(Italy)
Contributo totale Unibo: Euro (EUR) 37.950,00
Durata del progetto in mesi: 24
Data di inizio
28/09/2023
Data di fine:
28/02/2026
