Intelligenza artificiale in biomedicina

L'intelligenza artificiale sta trasformando rapidamente la ricerca biomedica, aprendo nuove prospettive per la comprensione dei sistemi biologici complessi e il miglioramento dell'assistenza al paziente. Il Forum di IBSA Foundation "Artificial Intelligence in Biomedicine: from basic research to clinical application (Intelligenza artificiale in biomedicina: dalla ricerca di base all'applicazione clinica)" riunirà esperti di spicco nei settori della biologia, della medicina e della scienza computazionale per esplorare i più recenti progressi e le prospettive emergenti nella ricerca biomedica basata sull'IA.

Il Forum offrirà una piattaforma dinamica per la presentazione e la discussione di ricerche pionieristiche, promuovendo la collaborazione interdisciplinare e favorendo un approccio integrato alla traduzione delle innovazioni di intelligenza artificiale da scoperta fondamentale a pratica clinica, con l'obiettivo di rendere possibile una sanità più predittiva e personalizzata.

🇬🇧 L'evento si terrà interamente in inglese e l'accesso è gratuito.

Sessione 1
Digital twins (gemelli digitali) e medicina personalizzata

L'intelligenza artificiale è alla base dello sviluppo dei cosiddetti digital twins, modelli computazionali che integrano dati biologici e clinici multimodali al fine di rappresentare e prevedere il comportamento dei singoli pazienti. Combinando apprendimento basato sui dati e approcci meccanicistici e causali, questi modelli consentono di simulare la progressione della malattia e le risposte al trattamento. Questa sessione approfondirà i progressi più recenti nel campo della modellizzazione del paziente basata sull'IA e il relativo potenziale a supporto di diagnosi, processi decisionali terapeutici e strategie di trattamento personalizzate.

Sessione 2
Dai modelli alle molecole: progettazione di proteine e composti

L'intelligenza artificiale sta ridefinendo le potenzialità della medicina molecolare, consentendo di passare dalla previsione delle proprietà di molecole note alla progettazione di molecole completamente nuove. Combinando modelli generativi e conoscenze strutturali e biofisiche, l'IA sta accelerando la scoperta di nuovi anticorpi, proteine e piccole molecole terapeutiche con proprietà personalizzate. In tal modo, i tempi delle scoperte si riducono, mentre si ampliano i confini dell'ingegnerizzazione. Questa sessione illustrerà i progressi più recenti nel campo della progettazione molecolare basata sull'IA, esaminando il ruolo degli approcci computazionali nel colmare il divario tra modellazione predittiva e creazione di validi farmaci candidati, oltre a evidenziare le frontiere più promettenti, ma anche quelle che presentano le sfide maggiori.

Programma

Sessione 1

09:00 - 09:15 | SALUTI ISTITUZIONALI E INTRODUZIONE AL FORUM

09:15 - 12:25 | DIGITAL TWINS E MEDICINA PERSONALIZZATA
09:15 – 09:55 | Giovanna Guidoboni, University of Maine (USA)
09:55 - 10:35 | Julie Josse, Inria - National research center for digital science (FR)

10:35 - 11:15 | PAUSA CAFFÈ

11:15 - 11:45 | PRESENTAZIONI ORALI (2) – CALL FOR ABSTRACTS

11:45 - 12:25 | Simone Pezzuto, Università di Trento (IT)

SEE ALL

Sessione 2

14:00 - 17:50 | DAI MODELLI ALLE MOLECOLE: PROGETTAZIONE DI PROTEINE E COMPOSTI
14:00 - 14:40 | Gisbert Schneider, ETH Zurich (CH)
14:40 - 15:25 | Kamil Tamiola, Peptone Switzerland AG (CH)

15:25 - 16.00 | PAUSA CAFFÈ

16:00 - 16:30 | PRESENTAZIONI ORALI (2) – CALL FOR ABSTRACTS

16:30 - 17:10 | Janani Durairaj, University of Basel (CH)

17:10 - 17:30 | CONSIDERAZIONI FINALI E CERIMONIA DI PREMIAZIONE

SEE ALL

Call for Abstract

Pranzo e presentazione dei poster scientifici

12:25 - 14:00
Durante la pausa pranzo, la presentazione dei poster offrirà l'occasione di condividere ricerche innovative e nuove prospettive. Contribuisci al dibattito inviando il tuo abstract.

Invia il tuo contributo

Nota bene

Il programma è in corso di definizione

Gli orari, l'agenda finale e i relatori saranno comunicati progressivamente. Nel frattempo, l'invito è di registrarsi e segnare la data dell'evento in calendario.

Salva la data e registrati al Forum!

Comitato Scientifico

Prof. Alessandro Ceschi, Medico Capo e Responsabile della Formazione Medica e della Ricerca, Direzione Generale, Ente Ospedaliero Cantonale (EOC) (CH)

Gianvito Grasso, Ph.D. - Ricercatore Senior, SUPSI, Istituto Dalle Molle di studi sull’intelligenza artificiale (IDSIA USI-SUPSI) (CH)

Prof. Stéphane Meystre, MD, Ph.D. - Direttore, Istituto di tecnologie digitali per cure sanitarie personalizzate (MeDiTech), SUPSI (CH)

Silvia Misiti, MD, Ph.D. - Direttore, IBSA Foundation per la ricercar scientifica, Head of Corporate Communication, IBSA Group (CH)

Prof. Giovanni Pedrazzini, MD. - Decano, Facoltà di scienze biomediche, USI Università della Svizzera italiana; Cardiologo consulente, Cardiocentro Ticino, EOC (CH)

Prof. Andrea Rizzoli, Ph.D. - Direttore, Istituto Dalle Molle di studi sull’intelligenza artificiale (IDSIA USI-SUPSI) (CH)

Moderatori

Laura Azzimonti, Ph.D. - Docente e Ricercatrice Senior, SUPSI, Istituto Dalle Molle di studi sull’intelligenza artificiale (IDSIA USI-SUPSI); Responsabile del gruppo Machine Learning per la Bioinformatica e la Medicina Personalizzata, Istituto Svizzero di Bioinformatica (SIB) (CH)

Andrea Cavalli, Ph.D - Responsabile del gruppo Biologia Strutturale Computazionale presso l’Istituto di Ricerca in Biomedicina (IRB) e l’Istituto Svizzero di Bioinformatica (SIB) (CH)

Quando la fisica incontra i dati: creazione di gemelli digitali significativi dal punto di vista clinico per la medicina personalizzata

Abstract

I gemelli digitali possono trasformare la medicina da strumento di reazione a metodo per la previsione della malattia, a condizione che siano interpretabili, generalizzabili e considerati affidabili dai medici. L'intervento presenta gemelli digitali che combinano una modellazione meccanicistica basata sulla fisica con metodi basati sui dati propri dell'apprendimento automatico e dell'intelligenza artificiale. Nel caso del glaucoma, un gemello digitale dell'emodinamica oculare ha identificato profili di circolazione sanguigna correlati a un maggiore rischio di progressione della malattia [1], con risultati significativi in coorti indipendenti da Singapore e Salonicco. In ambito cardiovascolare, modelli meccanicistici interpretano i segnali di battito cardiaco provenienti da sensori incorporati in materassi e poltrone reclinabili, eliminando la necessità di indossare dispositivi ad hoc [2,3]. Già impiegate nelle strutture di residenza assistita, tali tecnologie aiutano migliaia di anziani a vivere in sicurezza, pur conservando la propria autonomia. Concluderemo parlando delle sfide rappresentate dalla traduzione dei gemelli digitali da prototipi di ricerca a pratica clinica.

Bibliografia

Guidoboni G, Keller JM, Wikle CK, Rai R, Joyce M, Ibrahim O, et al. Digital twin for ocular hemodynamics: combining physiology-based modeling and machine learning for personalized glaucoma care. Math Biosci Eng. 2026;23(3):678–701. doi:10.3934/mbe.2026026.
Guidoboni G, Sala L, Enayati M, Sacco R, Szopos M, Keller JM, et al. Cardiovascular function and ballistocardiogram: a relationship interpreted via mathematical modeling. IEEE Trans Biomed Eng. 2019;66(10):2906–2917. doi:10.1109/TBME.2019.2897952.
Zaid M, Sala L, Ivey JR, Tharp DL, Mueller CM, Thorne PK, et al. Mechanism-driven modeling to aid non-invasive monitoring of cardiac function via ballistocardiography. Front Med Technol. 2022;4:788264. doi:10.3389/fmedt.2022.788264.

Biografia

Giovanna Guidoboni is Vice President for Research at the University of Maine and the University of Maine at Machias, and Professor of Electrical and Computer Engineering. Her research combines mathematical modeling and data science in medicine. An entrepreneur, she founded Gspace LLC, co-founded the journal Artificial Intelligence in Vision and Ophthalmology, and serves as Chief Scientific Advisor for Mechanica Biosystems. She is a member of the European Academy of Sciences and Arts and a Fellow of the American Institute for Medical and Biological Engineering.

Assistenza personalizzata grazie ad apprendimento causale e federato: dai dati alle decisioni

Abstract

Gli studi controllati randomizzati (RCT) sono lo standard di riferimento per la medicina basata sull'evidenza, ma il carattere restrittivo dei relativi criteri di eleggibilità può limitare la generalizzabilità dei risultati ai pazienti trattati nella pratica clinica di routine. L'intervento presenta i moderni metodi causali volti a colmare tale divario e migliorare il trasferimento delle evidenze derivanti dagli studi nella pratica clinica reale.
Si discuterà innanzitutto di trasportabilità e generalizzazione, concentrandosi sulle modalità di estrapolazione degli effetti delle terapie stimati durante gli studi ai fini dell'applicazione a popolazioni aventi caratteristiche diverse. Si considererà poi la possibilità di estensione di tali approcci per combinare evidenze provenienti da più studi e fonti di dati osservazionali. In questo contesto, l'apprendimento causale federato offre un'alternativa promettente all'aggregazione dei dati e alla meta-analisi tradizionali, consentendo la stima degli effetti delle terapie su set di dati decentralizzati senza condividere informazioni a livello individuale.
Insieme, generalizzazione causale e apprendimento federato forniscono un quadro di riferimento scalabile per combinare le evidenze preservando al contempo interpretabilità causale e riservatezza dei dati. Tali metodi potrebbero contribuire a ottenere evidenze cliniche più pertinenti, decisioni terapeutiche migliorate, oltre a un'assistenza maggiormente personalizzata.

Bibliografia

Federated Causal Inference: Multi-Centric ATE Estimation beyond Meta-Analysis. AISTAT 2025
A Unified Framework for the Transportability of Population-Level Causal Measures. Neurips 2025
Causal inference methods for combining randomized trials and observational studies: a review. Statistical Science. 2024.

Biografia

Julie Josse è ricercatrice senior presso l'Inria, dove dirige il team PreMeDICaL in collaborazione con l'Inserm. Il team lavora per far progredire la medicina di precisione grazie all'apprendimento causale e ad approcci federati che garantiscono la riservatezza dei dati medici, con l'obiettivo di accelerare lo sviluppo di terapie mirate e implementare algoritmi di supporto alle decisioni con un'incertezza predittiva quantificata.
Julie è specializzata in gestione di dati mancanti, inferenza causale e applicazione dell'apprendimento automatico a dati sanitari multisorgente e multimodali, migliorando il processo decisionale in ambiti quali le malattie respiratorie, l'oncologia e la fertilità. Ha inoltre guidato il progetto Traumatrix, creando strumenti di supporto alle decisioni tramite IA per ottimizzare la gestione dei traumi in ambulanza. Convinta sostenitrice della ricerca riproducibile, contribuisce attivamente al software open source R.
Prima di entrare a far parte dell'Inria nel 2020, Julie è stata professoressa presso l'École Polytechnique, dove ha diretto il programma del master Data Science for Business in collaborazione con l'HEC. È stata visiting researcher presso la Stanford University e Google Brain Paris, oltre ad aver ricevuto riconoscimenti come il premio Inria–French Academy of Sciences Young Researchers Prize e una borsa di mobilità Marie Curie.

Gemelli digitali cardiaci: lo studio del cuore tramite dati e fisica

Abstract

I gemelli digitali cardiaci hanno lo scopo di trasformare dati clinici acquisiti di routine in modelli predittivi del cuore, specifici per il paziente. La loro traslazione clinica è però limitata dalla quantità di dati, dai costi computazionali e dall'incertezza nella personalizzazione dei modelli. Per superare tali ostacoli, la modellazione cardiaca meccanicistica viene combinata con l'apprendimento automatico scientifico. Mostreremo come i modelli generativi possano ricostruire l'anatomia cardiaca a partire da osservazioni sparse, come il sistema di conduzione ventricolare possa essere dedotto in maniera probabilistica dall'ECG a 12 derivazioni e come i modelli ridotti basati sulla fisica possano rendere le simulazioni elettrofisiologiche abbastanza rapide da consentire un'inferenza ripetuta. Grazie a questi sviluppi, i gemelli digitali cardiaci sono sempre più vicini all'impiego con misurazioni cliniche standard quali l'ecocardiogramma e l'ECG.

Bibliografia

Schrotter TG, Gsell MAF, Zappon E, Augustin CM, Neic A, Pezzuto S, et al. A physics-informed eikonal model for simulating arrhythmias in the human heart in real-time. Nature Communications. 2026;17:9209. doi:10.1038/s41467-026-76050-0.
Álvarez-Barrientos F, Salinas-Camus M, Pezzuto S, Sahli Costabal F. Probabilistic learning of the Purkinje network from the electrocardiogram. Medical Image Analysis. 2025;101:103460. doi:10.1016/j.media.2025.103460.
Verhülsdonk J, Grandits T, Sahli Costabal F, Pinetz T, Krause R, Auricchio A, Haase G, Pezzuto S, Effland A. Shape of my heart: Cardiac models through learned signed distance functions. Proceedings of Medical Imaging with Deep Learning. PMLR. 2024;250:1584–1605.

Biografia

Simone Pezzuto è Professore Ordinario di Analisi numerica presso l'Università di Trento e collaboratore esterno presso l'Istituto Eulero dell'USI. La sua ricerca si colloca al crocevia tra matematica applicata, modellazione cardiaca e apprendimento automatico scientifico, con particolare riguardo per i gemelli digitali cardiaci specifici per il paziente, la quantificazione dell'incertezza e le applicazioni di rilevanza clinica. Ha ottenuto un ERC Consolidator Grant e partecipa ai consorzi europei TrackAF e MICROCARD.

Sviluppo di farmaci de novo tramite intelligenza artificiale

Abstract

L'IA generativa ottimizza le fasi iniziali della scoperta di farmaci grazie alla progettazione di nuove molecole caratterizzate da profili farmacologici favorevoli. Dando la priorità alle molecole sinteticamente accessibili, tali modelli predittivi superano un limite tradizionale della progettazione computazionale de novo e accelerano l'ottimizzazione hit-to-lead. Tuttavia, la carenza di dati continua a rappresentare un fattore critico per la precisione predittiva. L'addestramento dei modelli con l'interattoma legante-target mitiga questo limite attraverso una rappresentazione congiunta della relazione complessa tra target e leganti. Grazie all'integrazione con apprendimento attivo, convalida sperimentale e funzionalizzazione in fase avanzata, questo paradigma accorcia i cicli di progettazione-sintesi-test-analisi, oltre a ridurre drasticamente il consumo di materiale. Verranno illustrate le recenti applicazioni prospettiche dell'IA generativa nello sviluppo di farmaci basato sul legante e sulla struttura, concentrandosi su generazione di candidati de novo in scenari con dati limitati, previsione delle reazioni e scaffold hopping basato su apprendimento automatico.

Bibliografia

Atz, K., Cotos Muñoz, L., Isert, C., Håkansson, M., Focht, D., Hilleke, M., Nippa, D. F., Iff, M., Ledergerber, J., Schiebroek, C. C. G., Romeo, V., Hiss, J. A., Merk, D., Schneider, P., Kuhn, B., Grether, U. & Schneider, G. (2024) Prospective deep interactome learning for de novo drug design. Nature Communications 15, 3408.
Nippa, D. F. , Atz, K., Stenzhorn, Y., Müller, A. T., Tossdorf, A., Benz, J., Binch, H., Bürkler, M., Haider, A., Heer, D., Hochstrasser, R., Kramer, C., Reutlinger, M., Schneider, P., Shem, T., Topp, A., Walter, A., Wittwer, M. B., Wolfard, J., Kuhn, B., van der Stelt, M., Martin, R. E., Grether, U. & Schneider, G. (2025) Expediting hit-to-lead progression in drug discovery through reaction prediction and multi-objective molecular optimization. Nature Communications 16,11646.
Nippa, D. F., Atz, K., Hohler, R., Müller, A. T., Marx, A., Bartelmus, C., Wuitschik, G., Marzuoli, I., Jost, V., Wolfard, J., Binder, M., Stepan, A. F., Konrad, D. B., Grether, U., Martin, R. E. & Schneider, G. (2024) Enabling late-stage drug diversification by high-throughput experimentation with geometric deep learning. Nature Chemistry 16, 239–248

Biografia

Gisbert Schneider è Professore di Progettazione di farmaci assistita da computer presso l'ETH Zurich. In precedenza ha lavorato presso la Roche e l'Università Goethe, oltre a ricoprire il ruolo di Direttore del Singapore-ETH Centre. Co-fondatore di un'azienda e autore di oltre 450 articoli accademici, ha ottenuto importanti riconoscimenti per il suo lavoro pionieristico nel campo della chimica farmaceutica basata sull'IA, tra cui il premio Ernst Schering Prize.

Ricerca farmacologica basata sull'IA per il dominio N-terminale del recettore degli androgeni: un programma first-in-class

Abstract

Il recettore degli androgeni resta un fattore centrale del tumore prostatico avanzato, eppure le terapie attuali sono per lo più mirate al dominio di legame del ligando e possono essere indebolite da meccanismi di resistenza che preservano la segnalazione del recettore. Peptone si sta dedicando a una strategia first-in-class rivolta al dominio N-terminale del recettore degli androgeni (AR-NTD) intrinsecamente disordinato, una regione di controllo trascrizionale priva di un'unica struttura stabile. L'intervento descriverà la combinazione di biofisica sperimentale, simulazione molecolare e IA al fine di mappare insiemi conformazionali dinamici, identificare stati transitori in grado di legare piccole molecole e guidare la scoperta di queste ultime. Si discuteranno i principi scientifici alla base della progettazione di farmaci a partire dall'insieme, la connessione iterativa tra computazione e sperimentazione e in che modo tale approccio può tracciare un nuovo percorso terapeutico per i pazienti affetti da tumore prostatico resistente al trattamento.

Bibliografia

Streit JO, Invernizzi M, Bottaro S, Tamiola K, Lindorff-Larsen K. Transient tertiary structure in intrinsically disordered proteins revealed by multithermal enhanced sampling. Nature Communications. 2026;17:5558. https://doi.org/10.1038/s41467-026-73067-3
Redl I, Fisicaro C, Dutton O, Hoffmann F, Henderson LD, Owens BM, Heberling MM, Paci E, Tamiola K. ADOPT: intrinsic protein disorder prediction through deep bidirectional transformers. NAR Genomics and Bioinformatics. 2023;5(2):lqad041. https://doi.org/10.1093/nargab/lqad041
Invernizzi M, Bottaro S, Streit JO, Trentini B, Venanzi N, Reidenbach D, Lee Y, Dallago C, Sirelkhatim H, Jing B, Airoldi F, Lindorff-Larsen K, Fisicaro C, Tamiola K. Advancing Protein Ensemble Predictions Across the Order-Disorder Continuum. bioRxiv. 2025. https://doi.org/10.1101/2025.10.18.680935

Biografia

Il dottor Kamil Tamiola è un fisico, fondatore e CEO di Peptone. Ispirandosi al lavoro svolto da Sir Christopher Dobson presso l'Università di Cambridge, ha studiato spettroscopia NMR, simulazione molecolare e biofisica delle proteine intrinsecamente disordinate. Ha fondato Peptone con lo scopo di unire biofisica sperimentale, informatica ad alte prestazioni e IA per una ricerca farmacologica first-in-class. È inoltre membro del Parlamento delle PMI dello Swiss Economic Forum.

Deep learning sensibile al contesto per la struttura, l'interazione e la progettazione delle proteine

Abstract

Le scoperte rivoluzionarie riconosciute dal Premio Nobel per la Chimica 2024 hanno dimostrato che la biofisica della struttura proteica è codificata in segnali evolutivi estratti da milioni di sequenze. Ciò ha reso possibile la mappatura su larga scala dell'universo delle proteine, collegando proteine scarsamente caratterizzate a strutture e funzioni note su una scala senza precedenti, e ha rivelato un aspetto ancora più fondamentale: la pressione evolutiva è essa stessa una compressione dei vincoli fisici, abbastanza ricca da permettere al segnale strutturale di essere estratto in forma discreta dalla sola sequenza e di essere utilizzato nella progettazione di proteine senza alcuna controparte in natura. Tuttavia, la struttura proteica non è che l'inizio. La stessa logica si estende al modo in cui le proteine legano piccole molecole, interagiscono tra loro, rispondono alle mutazioni e possono essere ingegnerizzate per svolgere nuove funzioni?

Bibliografia

Durairaj, Janani, et al. "Uncovering new families and folds in the natural protein universe." Nature 622.7983 (2023): 646-653.
Škrinjar, Peter, et al. "Evaluating generalization in protein–ligand cofolding methods." Nature Structural & Molecular Biology (2026): 1-13.
Pantolini, Lorenzo, et al. "Rewriting protein alphabets with language models." bioRxiv (2025): 2025-11.

Biografia

Jay è Professoressa Assistente presso l'Università di Losanna, dove si occupa di metodi di deep learning sensibili al contesto per la struttura proteica, le interazioni molecolari e la progettazione delle proteine. Il suo gruppo si concentra sull'apprendimento della rappresentazione e sulla modellazione generalizzabile di complessi biomolecolari, con l'obiettivo di sviluppare metodi più affidabili per la comprensione e la progettazione delle proteine.