Il microbiota umano è fondamentale per la salute e lo sviluppo dei neonati: squilibri nella sua composizione sono stati infatti collegati a numerosi disturbi, dalle malattie gastrointestinali alle condizioni neuroevolutive.
Un nuovo modello di machine learning sembra in grado di predire le dinamiche all’interno del microbiota infantile, consentendo ai ricercatori di simulare perturbazioni ed esperimenti che potrebbero non essere eseguibili in laboratorio.
In particolare, il modello, descritto in dettaglio sulla rivista Science Advances, potrebbe predire con precisione le traiettorie a lungo termine dei microbi intestinali nei neonati e identificare modelli indicativi di futuri deficit cognitivi.
Ricerche precedenti hanno osservato una correlazione tra il microbiota intestinale infantile e lo sviluppo cerebrale, ma la nostra comprensione di come queste comunità microbiche cambiano durante la prima infanzia è ancora limitata.
Per colmare questa lacuna di conoscenza, Nicholas Sizemore della University of Chicago e i suoi colleghi hanno sviluppato un approccio di machine-learning, chiamato Q-net, che testa il modo in cui i batteri intestinali interagiscono nel tempo.
Gemello digitale
Testare in laboratorio le interazioni tra due microbi all’interno di una colonia contenente 1.000 specie richiederebbe più di 1.000 anni.
Il modello Q-net accelera questo processo, identificando le interazioni che potrebbero essere rilevanti per specifiche condizioni.
Analizzando come i batteri intestinali interagiscono nel tempo, Q-net può prevedere le dinamiche microbiche e la loro evoluzione durante la crescita del bambino. «Abbiamo sviluppato un nuovo approccio utilizzando l’intelligenza artificiale generativa per costruire un gemello digitale del sistema che simula le interazioni dei batteri man mano che cambiano», afferma l’autore senior dello studio Ishanu Chattopadhyay.
Successivamente, i ricercatori hanno convalidato le previsioni di Q-net sullo sviluppo precoce del microbiota analizzando i dati di 30 bambini. Questo modello potrebbe prevedere quali neonati sono a rischio di deficit cognitivi, come indicato dalla crescita della circonferenza cranica, con una precisione del 76%.
Prevedere il rischio
Q-net ha consentito di valutare anche se gli interventi mirati per esempio ad aumentare l’abbondanza di una specifica specie batterica possano ridurre il rischio di sviluppo di deficit cognitivi per circa la metà dei neonati. Tuttavia, il modello ha anche mostrato che interventi errati possono aumentarne il rischio.
«Non puoi semplicemente somministrare probiotici e sperare che il rischio di sviluppo di deficit cognitivi diminuisca: ciò che stai soppiantando è importante e, per molti soggetti, devi anche stabilire le tempistiche con precisione», afferma Ishanu Chattopadhyay.
Poiché Q-net simula un vasto numero di variabili interagenti, potrebbe essere utilizzato in diversi sistemi oltre al microbiota. «Se hai una grande quantità di dati, puoi “addestrare” questo sistema per individuare eventuali connessioni e ottenere così un numero davvero elevato di applicazioni» conclude il ricercatore.
