ML4-CD

Le malattie complesse presentano un limite: i modelli basati esclusivamente su dati genomici tradizionali non riescono a cogliere l'intera eterogeneità biologica. Di conseguenza, la stratificazione dei pazienti trarrebbe beneficio dall'integrazione di dati multi-omici, avvalendosi di approcci avanzati di apprendimento automatico (machine learning). In questo progetto – incentrato su condizioni complesse come la malattia di Alzheimer, la sua fase prodromica (MCI - Mild Cognitive Impairment) e la malattia di Parkinson – applicheremo metodi di sottotipizzazione non supervisionata a dataset multimodali, al fine di identificare sottotipi di malattia distinti. Tali sottotipi verranno integrati in modelli predittivi per migliorare la distinzione tra casi e controlli, nonché la stratificazione del rischio. Parallelamente, estenderemo questo approccio alle manifestazioni precoci della malattia, con l'obiettivo di valutare le traiettorie di progressione, esaminare la concordanza biologica tra i diversi stadi e utilizzare modelli di sopravvivenza per prevedere la conversione della patologia e i tempi di progressione.