Biochimica clinica: biomarcatori, diagnosi e variabilità dei test diagnostici

Biochimica Clinica: Introduzione e Contenuti del Corso

Biochimica clinica, lezione 1, 02/05/2023 Argomenti: biomarcatori La prof caricherà articoli su DIR e questi saranno di 2 tipi: · Approfondimenti ma non necessari, cioè dei papers fondamentali nell'ambito di quella determinata ricerca che hanno dato il via a quella ricerca o che l'hanno conclusa. · Altri invece potrebbero essere utili da utilizzare come supporto alle lezioni in aula. Si lavorerà sostanzialmente con le diapositive, perciò non viene impiegato un libro di testo perché questa materia è talmente vasta e con così poche ore che non ha senso andare a pescare sul libro i capitoli. Ci si soffermerà più su delle visioni d'insieme, in modo più trasversale.

Definizione di Biochimica Clinica e Biologia Molecolare Clinica

Biochimica Clinica: scienza clinica applicata che studia con metodi chimici, fisici e biologici (come gli anticorpi) le alterazioni dell'organismo nello stato di malattia. Ottiene da campioni biologici dati qualitativi o quantitativi che consentono di ottenere informazioni utili a scopo diagnostico, prognostico e terapeutico. Biologia Molecolare Clinica: settore disciplinare che racchiude e contraddistingue l'insieme di test che vengono sviluppati ed eseguiti sulla base di tecnologie ed approcci metodologico-concettuali tipici della Biologia Molecolare.

I Biomarcatori: Identificazione e Ambiti di Ricerca

I BIOMARCATORI Il problema che ci si pone è trovare biomarcatori, identificabili in diversi modi (potrebbero essere anche biomarcatori da imaging, quindi non biochimici), che siano utili a scopo diagnostico-prognostico-terapeutico, Però per fare questo si deve conoscere bene l'organismo nello stato fisiologico e poi riuscire a capire se questi markers scelti sono ottimali per definire lo stato di malattia o comunque andare a indagare l'ambito di interesse. Il biomarcatore può quindi essere definito come un parametro biologico misurabile e quantificabile che serva da indicatore di processi biologici normali, patologici o di risposta ad interventi (farmacologici). Può essere inoltre considerato un indicatore di endpoint clinico surrogato (glicemia -> diabete). Viene identificato in ambiti di ricerca diversi, dalla biochimica alla microbiologia alla fisiologia. In ambito biochimico e molecolare:

• Genetico: mutazioni, polimorfismi, espressione genica, modificazioni epigenetiche
• Proteico: quantità, attività di una proteina
• Metabolico: alterazioni quali-quantitative dei substrati e dei prodotti delle reazioni metaboliche

Utilizzo dei Biomarcatori

Utilizzo dei biomarcatori:

• formulare una diagnosi
• definire una prognosi
• scegliere un trattamento (ad es. la posologia di farmaci)
• valutare la risposta alla terapia (monitoraggio o follow up)
• individuazione e monitoraggio di patologie subcliniche/pre-cliniche
• identificare individui a rischio (screening di popolazione)
• definire lo stato di salute generale
• funzioni medico-legali
• attività di ricerca

Classificazione dei Biomarcatori

Classificazione dei biomarcatori:

• Indicatori di salute (pannelli preoperatori; controlli periodici) con questi markers non ci si vuole assumere nessuna responsabilità sull'andare a cercare qualche malattia in particolare, non si vuole fare diagnosi di malattia ma al contrario si vuole vedere lo stato di salute. Sono i normali controlli che ognuno di noi dovrebbe fare periodicamente (es. esami del sangue standard). È ovvio che se c'è 1qualcosa che non va in questi parametri verosimilmente ci sarà qualcosa che è fuori dall'ambito fisiologico, però non si parte dal presupposto di ricercare quello.
• Indicatori di rischio di malattia in soggetti clinicamente sani: markers predittivi (portatori eterozigoti di malattie ereditarie; colesterolemia, omocisteinemia) qui c'è una dicotomia tra l'informazione che dà il marker e lo stato clinico del soggetto in quel momento. Questi sono i markers più perniciosi perché c'è la questione del valore informativo del biomarcatore. Questo è molto importante tenerlo presente perché bisogna distinguerli rispetto ad altri tipi di markers.
• Indicatori di malattia presintomatica o in atto: markers diagnostici (ipotiroidismo neonatale, fibrosi cistica, iperglicemia diabetica, positività per SARS-CoV-2) i soggetti in cui vengono ricercati sono o saranno malati, perciò più semplici da gestire.
• Indicatori di evoluzione: markers di stadiazione, markers prognostici consentono di fare una prognosi ma allo stesso tempo di stadiare o/e allora si va in quelli di stratificazione (delle volte si sovrappongono un po').
• Indicatori di stratificazione ed efficacia terapeutica se si ha un tumore con una determinata mutazione (per esempio un carcinoma del colon con una mutazione di fosfatidilinositolo-3-chinasi), allora la mutazione consente di stratificare perché si può distinguere quel tumore mutato dal non mutato per quella specifica mutazione. Potrebbe nel caso indicarmi anche che è efficace una terapia, ma la prof non lo utilizzerebbe in questo modo (è più che altro di stratificazione). Gli indicatori per l'efficacia terapeutica di solito sono quei biomarcatori che se vengono seguiti nel tempo dicono se la terapia sta funzionando oppure no.

Transizione verso un Approccio Globale ai Biomarcatori

Questo è un periodo di transizione in cui dal singolo biomarcatore (validazione di singoli marker che mano a mano vengono inseriti nei pannelli diagnostici) si vuole andare verso un approccio globale, grazie a tecnologie omiche e "wide" (trascrittomica, proteomica, metabolomica, mediante HPLC, risonanza magnetica nucleare, spettrometria di massa). Perché questo fenomeno però è ancora in preclinica traslazionale? Sostanzialmente perché non si sa ancora come intrepretarli e bisogna fare in modo che queste tecnologie siano fruibili in tutte le strutture, perché altrimenti non risultano poi applicabili per quella che è l'utilità sociale.

Medicina di Precisione e Target Therapy

Medicina di precisione e target therapy non sono la stessa cosa. Medicina personalizzata può definire l'efficacia o la tossicità che quel farmaco ha su quel determinato paziente, dipende dal suo assetto genetico ma anche dalle condizioni ambientali; è un termine ampio, definisce una medicina che va a tenere conto di tanti aspetti e delle volte anche di quelli che non sono prettamente quantificabili, cioè dipendono anche dal contesto, da che tipo di paziente ci si trova davanti. Ogni persona è un caso unico ed è per questo che sempre più medici si concentrano su questo aspetto affermando, appunto, che la medicina personalizzata non è semplicemente la medicina di precisione o la target therapy, ma è qualcosa di più ampio. Poi c'è un'altra corrente di pensiero che dice che medicina personalizzata e target therapy sono la stessa cosa. Target therapy un farmaco che va a bersagliare una proteina mutata, quindi si tratta di un farmaco con un target preciso.

Personalized Medicine: Strategie e Benefici

Personalized medicine: Ogni persona è unica con le proprie specificità biologiche, il proprio bagaglio di esperienze, abitudini e contesto sociale in cui vive. La medicina personalizzata è un insieme di strategie di prevenzione e trattamento che consentono un notevole miglioramento sia dal punto di vista medico che sociale ed economico, poiché tengono conto di ognuna delle caratteristiche che rendono ogni singolo individuo unico e diverso da tutti gli altri. Nella medicina del presente si propone una terapia per una determinata malattia, questa può avere un effetto positivo, nessun effetto, o addirittura un effetto negativo su pazienti diversi. Nella 2medicina del futuro, idealmente, verrà proposta una terapia diversa in base sia alla malattia che alle caratteristiche intrinseche di ogni paziente, in modo tale da avere un risultato finale di benessere comune.

Intelligenza Artificiale e Machine Learning in Medicina

Intelligenza artificiale artificial intelligence machine learning data science deep learning big data data analytics L'intelligenza artificiale è la capacità di una macchina di utilizzare reti neurali in grado di ragionare, imparare, correggersi e prendere delle decisioni. Quindi deve capire e interpretare i dati (ci sarà il machine learning in questo ambito), imparare e poi prendere decisioni intelligenti. Un abito della medicina in cui l'intelligenza artificiale è più brava del medico è l'imaging, oppure nelle tecniche dove è richiesta una grandissima precisione per lungo tempo. Però bisogna inserire tanti dati.

Machine Learning: Processo e Requisiti

Machine learning Come si fa affinché una macchina impari? Quello che serve per un buon machine learning è avere un'enorme quantità di dati che si sanno già interpretare, che è quello che alla macchina serve per fare training (qualsiasi tipo di dati: radiografia, TAC, emocromo, dato molecolare). La macchina elabora dei pattern all'interno di questi dati che associa a quell'informazione portata da questo pattern. All'inizio è l'operatore che dà l'informazione e poi per emulazione di pattern che ha riconosciuto precedentemente elabora nuovi dati e si va a vedere se ci sono questi pattern. Il machine learning usa algoritmi che introducono nuove informazioni e, grazie a questi algoritmi, riesce a individuare nuovi pattern rispetto a quelli precedenti. È qui che aumenta l'esperienza della macchina. Questa esperienza può essere utilizzata per l'intelligenza artificiale, cioè che prende decisioni senza che ci sia un intervento dell'operatore, nel senso di dare un ulteriore supporto all'algoritmo. Però c'è un problema: i dati richiesti sono tanti e devono essere di buona qualità, soprattutto in ambito biomedico. Ora ce ne sono tanti ma ancora molto grezzi e quindi le macchine trovano man mano pattern, ma sono ancora molto lontani da quei profili che poi daranno le informazioni, che è quello che serve negli esami di laboratorio.

Big Data: Gestione e Impatto

I big data sono sostanzialmente i dati, il modo in cui vengono caricati e i metodi che vengono utilizzati per processarli. Questi processi di per sé non hanno nulla di intelligente, ma sono fondamentali per fare machine learning. È ovvio che tutto ciò richiede grandi potenze di memoria e di calcolo. Questa immagine può far capire l'enormità di informazioni che ci travolgono. Quello che fa più riflettere è che ci si sta dirigendo velocemente verso questa produzione di dati e non solo in ambito biomedico, anche se questo contribuisce enormemente (1,7 megabytes di informazioni ogni secondo per ogni essere umano presente sul pianeta).

Dimensioni dei Dati: Esempi Comparativi

Byte (1) A grain of rice Kilobyte (10^3) A cup of rice Megabyte (10^6) 8 bags of rice Gigabyte (10^9) 3 trucks of rice Terabyte (10^12) 2 container ships of rice Petabyte (10^15) The Manhattan Island covered in rice Exabyte (10^18) The area of West Coast in U.S covered in rice Zettabyte (10^21) The Pacific Ocean filled with rice Yottabyte (10^24) A ball of rice the size of Earth 3