Tecnologie omiche e multiomiche: capire in anticipo se un farmaco funziona

Le tecnologie omiche e multiomiche sono oggi tra i fronti più dinamici della ricerca biomedica: la single cell omics è nata una decina di anni fa, mentre la spatial omics sta esplodendo proprio in questo momento. Ne abbiamo parlato con Giovanni Tonon, professore ordinario dell’Università Vita-Salute San Raffaele (UniSR), dove guida anche il laboratorio di Genomica Funzionale del Cancro. Le tecnologie omiche e multiomiche permettono di osservare, in un solo esperimento, migliaia di molecole di uno stesso tipo contemporaneamente, superando un limite che per decenni ha condizionato la biologia molecolare: la possibilità di studiare una sola molecola alla volta. Tonon segue da anni progetti che uniscono sequenziamento, intelligenza artificiale e dati clinici reali. Tra gli obiettivi c’è quello di prevedere la risposta di un tumore al trattamento prima ancora di iniziare la terapia.

Cosa sono le tecnologie omiche e perché si parla di multiomiche

Fino a qualche decennio fa, la biologia molecolare procedeva per singole unità. «Quello che si riusciva a fare era studiare una molecola alla volta, un gene alla volta, una proteina alla volta», sottolinea Tonon. Al massimo si osservava come due o tre proteine si relazionassero tra loro, ma non si poteva andare oltre. Le tecnologie omiche hanno permesso di superare questa barriera. «Quello che fa l’omica è vedere contemporaneamente tutte le molecole di un certo tipo, o larga parte di queste», spiega Tonon: non più una singola molecola di RNA, ma tutto l’RNA presente in una cellula in un dato momento. Si parla al plurale, di omiche, perché ogni tipo di molecola richiede tecnologie proprie: per esempio genomica per il DNA, trascrittomica per l’RNA, proteomica per le proteine.

Il mondo della multiomica va oltre: invece di analizzare DNA, RNA e proteine separatamente, li osserva nello stesso esperimento per capire come si relazionano tra loro. È un campo di ricerca più giovane. «La multiomica non è ancora molto sviluppata, stiamo muovendo ora i primi passi, mentre le tecnologie omiche prese singolarmente sono molto più avanzate», precisa Tonon. Sono due sviluppi distinti all’interno dello stesso campo: le tecnologie omiche prese singolarmente, spatial omics compresa, sono ormai mature e in piena crescita; integrarle tutte nella stessa analisi, cioè la multiomica vera e propria, resta invece una frontiera ancora in larga parte da conquistare.

Un esempio concreto di questo fronte emergente è scGPT, un modello di intelligenza artificiale pubblicato su Nature Methods nel 2024 e addestrato su oltre 33 milioni di profili di singola cellula, pensato proprio per integrare tra loro dati provenienti da più tipi di omiche nello stesso modello.

Dal tessuto alla singola cellula: la rivoluzione della single cell omics

Un tessuto contiene miliardi di cellule diverse. Analizzarlo “in blocco” restituisce dei risultati di media che mascherano le differenze tra i tipi cellulari: sarebbe come chiedere la composizione media di un occhio, fatto di decine di tipi cellulari distinti, e ottenere un solo numero. La single cell omics, nata circa dieci anni fa, risolve questo problema osservando l’espressione genica cellula per cellula. «Quello che fa la single cell è un enorme passo avanti perché permette di analizzare larga parte dei geni», spiega Tonon, «anche se non è così sensibile come le classiche omiche fatte su tessuto bulk, il tessuto analizzato nel suo complesso, senza distinguere le cellule che lo compongono».

Questa distinzione tecnica fa emergere un dettaglio sui limiti reali del settore: DNA e RNA sono entrambi acidi nucleici e si leggono con tecnologie di sequenziamento affini; le proteine no, perché sono fatte di amminoacidi e richiedono metodi diversi, come anticorpi o spettrometria di massa. «Non è che siano meno avanzate le tecnologie: è che la biologia delle proteine è molto più complessa da studiare», osserva Tonon. Per questo una multiomica su RNA e DNA è oggi più semplice da realizzare di una che includa anche le proteine.

La portata di queste tecnologie si misura anche su scala internazionale: nel novembre 2024 il consorzio Human Cell Atlas ha pubblicato su Nature e riviste correlate una raccolta di oltre 40 studi, frutto del lavoro di oltre 3.600 ricercatori in più di 100 paesi, basati sull’analisi di circa 100 milioni di cellule provenienti da oltre 10.000 persone, costruita proprio su single cell e spatial omics. La prima bozza completa dell’atlante è attesa nel corso del 2026.

Spatial omics: mappare realmente un tessuto

L’ultima frontiera è quella della spatial omics. Rispetto alla single cell, che disgrega il tessuto in cellule separate, la spatial omics analizza una fettina di tessuto mantenendo intatta la posizione di ogni cellula al suo interno. Durante l’intervista, Tonon ha ripreso una metafora già in uso nella comunicazione scientifica per distinguere le due tecniche: il frullato di frutta, che mescola tutto, contro la torta con i pezzi di frutta lasciati al loro posto. La risoluzione raggiunta oggi va oltre la singola cellula. «Con le nuove tecnologie si riesce a vedere, per esempio, se un RNA è più espresso nel nucleo piuttosto che nel citoplasma», nota Tonon, «un livello di dettaglio impensabile con le tecnologie omiche di dieci anni fa».

Nature Methods ha eletto la spatial transcriptomics “metodo dell’anno” nel 2020, e la spatial proteomics di nuovo nel 2024, un doppio riconoscimento raro per lo stesso ambito di ricerca nella storia del premio.

Dalla ricerca alla clinica: come usare le tecnologie omiche

Tonon distingue due piani di utilità per le tecnologie omiche e multiomiche: quello scientifico e quello clinico. «Non c’è nessun dubbio, tecnologie omiche e multiomiche sono fondamentali, nel senso che ci permettono finalmente di vedere davvero cosa succede all’interno di una cellula: prima non era possibile», osserva.

Il trasferimento alla pratica clinica, però, per ora è ancora limitato. Nel campo oncologico esistono aziende che commercializzano test basati sull’espressione di pannelli genici, applicati per esempio al tumore al seno: applicazioni che finora non hanno avuto l’impatto sperato, spiega il professore. Diverso il discorso per la medicina personalizzata basata sull’identificazione di pochi geni specifici nel tumore del paziente, usata per orientare la terapia, e per il sequenziamento dell’intero genoma, sempre più diffuso anche in ambito di diagnosi prenatale.

I progetti in corso: intelligenza artificiale, dati clinici e organoidi tumorali

Attualmente, ci sono due progetti di cui Tonon si sta occupando che descrivono bene le applicazioni e le potenzialità di omiche e multiomiche. Il primo nasce dalla collaborazione con il professor Carlo Tacchetti, ordinario di Anatomia Umana a UniSR e coordinatore, insieme al professor Antonio Esposito, della piattaforma di intelligenza artificiale clinica S-RACE. «Stiamo provando a integrare i dati clinici con la spatial transcriptomics: si tratta di una strada che per ora stanno percorrendo in pochi», racconta Tonon. Lo scopo è predire in maniera più affidabile l’andamento di una malattia nel singolo paziente prima ancora di iniziare la terapia. «Il grosso problema del clinico è sapere, prima che succeda, se è opportuno o no trattare un paziente seguendo un certo protocollo», spiega Tonon: sottoporre qualcuno a un intervento chirurgico che si sa già non essere risolutivo comporta un costo in termini di qualità della vita senza reali benefici.

Il progetto si appoggia sia su S-RACE sia su DIGICORE, il network di circa 40 ospedali oncologici europei di cui Tonon è presidente, nato per raccogliere dati clinici in modo rigoroso e produrre quella che in letteratura si chiama Real World Evidence. L’osservazione di come i farmaci funzionano nella popolazione reale, non nei trial clinici, dove i pazienti arruolati, i cosiddetti “Olympic Patients”, hanno una qualità della vita e una performance fisica molto più alta della media.

Lo screening di organoidi tumorali

Il secondo progetto è di laboratorio, realizzato insieme al Politecnico di Milano su una piattaforma di microfluidica: un sistema di chip miniaturizzati che permette di coltivare gli organoidi e testare più farmaci in parallelo su quantità minime di tessuto, automatizzando passaggi che in laboratorio richiederebbero molto più tempo e materiale biologico. Lo scopo è lo screening di organoidi tumorali. Per decenni, in oncologia, è stato quasi impossibile mantenere in coltura le cellule prelevate da un paziente: morivano nel giro di poco tempo. «Negli ultimi dieci, quindici anni c’è stato un enorme cambiamento concettuale: se si mescolano queste cellule appena prese dal paziente con un gel derivato da tessuto murino e con dei fattori di crescita, si possono far crescere in maniera indefinita», racconta Tonon. Questi organoidi si sono rivelati un indicatore prezioso: «Sono correlati in maniera molto stretta con la sopravvivenza del paziente: se l’organoide risponde a un certo farmaco, di solito anche il paziente risponde a quel farmaco.»

Uno studio su Science del 2018 (Vlachogiannis et al.) condotto su organoidi derivati da pazienti con tumori gastrointestinali metastatici, per esempio, ha misurato una sensibilità del 100% e una specificità del 93% nel prevedere, tramite l’organoide, la risposta reale del paziente allo stesso farmaco.

Su questi organoidi, il laboratorio guidato da Tonon applica una tecnica chiamata Cell Painting. «È essenzialmente la colorazione di cellule utilizzando otto marcatori diversi, che vanno a localizzarsi in organelli diversi», spiega Tonon. Un trattamento farmacologico modifica la morfologia di questi organelli in modo specifico, e queste modifiche morfologiche si collegano a loro volta a cambiamenti di tipo trascrizionale — il punto di contatto tra Cell Painting e omiche. L’obiettivo, spiega Tonon, è «fare screening con farmaci su cellule derivate dai pazienti, misurarle con il Cell Painting e validare il gene expression profiling, per trovare un farmaco che sappiamo essere efficace prima ancora che cominci la terapia». La tecnica, descritta per la prima volta dal gruppo del Broad Institute of MIT and Harvard (Bray et al., Nature Protocols, 2016), è oggi uno dei protocolli di profiling morfologico più utilizzati nella ricerca sul cancro e nello screening farmacologico.

Cosa serve oggi per lavorare nelle scienze omiche

«Con l’avvento dell’intelligenza artificiale sono cambiate molte cose», osserva Tonon «strumenti come ChatGPT, ormai capaci di scrivere codice, hanno reso il percorso professionale meno lineare rispetto a pochi anni fa, quando la strada del bioinformatico era più prevedibile. È il segno di un campo in rapida evoluzione, dove le competenze richieste cambiano più in fretta che in passato».

C’è però una competenza destinata a restare centrale: la capacità di muoversi tra linguaggi diversi. «Penso che integrare diversi mondi sia una strada importante per il successo», dice: chi sa parlare sia con un clinico sia con un bioinformatico, e farli dialogare, ha un vantaggio concreto. È esattamente quello che i due progetti descritti sopra mettono in pratica. L’integrazione tra dati clinici e spatial transcriptomics con Tacchetti richiede di far collaborare due gruppi che normalmente lavorano con strumenti e linguaggi distinti; lo stesso vale per il progetto con il Politecnico di Milano, dove biologia cellulare e ingegneria dei materiali convergono sulla stessa piattaforma.

«Capire le omiche e soprattutto un approccio quantitativo alla biologia, per uno studente di medicina oggi è essenziale, e anche per uno studente di biotecnologie», dice Tonon. È la logica dietro il corso che insegna in inglese della Facoltà di Medicina dell’Università Vita-Salute San Raffaele e che si chiama The scientific method, quantitative biology and the art of medicine, pensato per integrare fin dagli anni di formazione la componente quantitativa e quella clinica del mestiere. Le tecnologie omiche e multiomiche raccontano, in questo senso, un campo in piena espansione: cambiano gli strumenti di laboratorio, e con essi le competenze professionali che chi entra oggi in questo settore avrà tempo e margine per costruire.

Bibliografia

Nature Methods, "Method of the Year", nature.com/nmeth

Vlachogiannis G. et al., "Patient-derived organoids model treatment response of metastatic gastrointestinal cancers", Science, 2018 (doi:10.1126/science.aao2774)

Bray M.A. et al., "Cell Painting, a high-content image-based assay for morphological profiling using multiplexed fluorescent dyes", Nature Protocols, 2016 (doi:10.1038/nprot.2016.105)

Human Cell Atlas Consortium, collezione di paper, Nature e riviste Nature Portfolio, novembre 2024 (nature.com/collections/jccbbdahji)

Cui H., Wang C., Maan H. et al., "scGPT: toward building a foundation model for single-cell multi-omics using generative AI", Nature Methods, 2024 (doi:10.1038/s41592-024-02201-0)