Il dottorato in Tecnologie Biomediche Innovative in Medicina Clinica si propone di realizzare un programma di addestramento alla ricerca traslazionale. A tal fine, particolare attenzione è posta non solo nell’addestramento all’utilizzo di biotecnologie avanzate ma anche alla capacità di gestire e analizzare grande mole di dati (Big Data Analysis) con strumenti innovativi di bioinformatica e network analysis, e tenendo conto della complessità di molte patologie umane (Network Medicine). L’importanza di quest’ultimo aspetto è evidente soprattutto nell’ambito di quelle malattie (ad esempio quelle neoplastiche) per le quali è stato dimostrato un ruolo non solo di specifiche alterazioni molecolari, ma anche di perturbazioni estese a interi sistemi biologici, sia a livello di individuo sia di popolazione. Allo stesso tempo, l’utilizzo efficace di tali biotecnologie richiede un’adeguata conoscenza e familiarità con i modelli clinici, che ne possa far facilmente intravedere le implicazioni clinico-applicative. Tutto ciò impone la creazione di un nuovo profilo di ricercatore con robuste conoscenze di base che lo rendano capace di selezionare e applicare le tecnologie più innovative alla comprensione della fisiopatologia di specifici quadri clinici e all’individuazione di nuove applicazioni in campo diagnostico, prognostico e terapeutico.
Le specifiche finalità del dottorato sono quindi quelle di:
a) rispondere alla continua e aumentata domanda di nuovi modelli di formazione nella medicina traslazionale;
b) realizzare una migliore interazione tra i contenuti delle scienze biologiche, cliniche e informatiche;
c) creare una nuova figura professionale in campo biomedico e tecnologico esperto di medicina traslazionale che sia in grado di fondere la competenza nell’utilizzo di tecnologie avanzate con le competenze cliniche necessarie all’individuazione sia delle tematiche di studio sia dei percorsi applicativi delle nuove conoscenze.
Gli specifici obiettivi formativi del Dottorato sono i seguenti:
a) apprendimento di elementi di epidemiologia per interpretare la suscettibilità genetica alle malattie multifattoriali (tratti complessi);
b) apprendimento delle metodologie di studio del genoma e della sua variabilità [analisi di SNPs e CNV; tecniche di analisi della metilazione del DNA; studio del microbioma; tecniche di next generation sequencing (NGS) per il sequenziamento del genoma e/o dell’esoma] e delle metodologie bioinformatiche alla base della valutazione dei risultati della ricerca genetica [disegno e analisi degli studi associazione genome-wide (GWAS); disegno e analisi di studi NGS: sviluppo di pannelli che permettano la caratterizzazione del fenotipo molecolare di specifiche patologie, pianificazione di un esperimento di sequenziamento di un intero esoma/genoma, allineamento di sequenze, chiamata delle varianti, classificazioni delle varianti, metodi di predizione in silico dell’effetto di mutazioni];
c) apprendimento delle metodiche di studio delle modificazioni epigenetiche della cromatina e tecniche di analisi della metilazione del DNA;
d) apprendimento delle metodiche di studio dell’espressione genica (mRNA, miRNA e lncRNA) [arrays; digital-PCR; RNA-seq, miRNA-seq];
e) apprendimento delle tecniche di coltura cellulare, di isolamento, caratterizzazione e coltura di cellule progenitrici, staminali e iPS; colture di organoidi, sistemi-modello innovativi che ricapitolano in vitro l’architettura, il funzionamento e la signature genetica dei tessuti originali;
f) apprendimento delle tecniche per lo studio in vitro ed ex vivo delle cellule dell’immunità innata e adattiva;
g) apprendimento delle principali metodiche di generazione di animali geneticamente modificati costitutivi e condizionali [transgenici; knock-out; knock-in, CRISPR–Cas9];
h) apprendimento delle tecniche di proteomica e metabolomica per l’identificazione di marcatori predittivi di malattia;
i) apprendimento dei principi e delle applicazioni della network medicine [integrazione di diversi dataset; identificazione di moduli, hub e nodi; generazione di modelli per inferire e assegnare funzioni, comprendere meccanismi e categorizzare pathways candidati per future investigazioni; correlazione tra network molecolari e fenotipici per comprendere i determinanti di malattia; studio modelli predittivi da reti biologiche, cartelle cliniche, traiettorie e dati sociali sulla salute dei pazienti];
j) apprendimento e applicazione di tecniche di imaging innovative;
k) apprendimento dei principi di farmacologia con particolare riferimento alle conoscenze di farmacogenetica e farmaco-genomica, alla farmaco-prevenzione;
l) apprendimento dei principi e delle applicazioni della BigData Science [generazione e manipolazione di dataset di grandi dimensioni a partire da dati clinici e genomici, integrazione di dataset differenti, disegno di algoritmi per grandi dataset];
m) apprendimento delle basi della sperimentazione clinica (disegno sperimentale, stima statistica, test statistici e regole di decisione, sperimentazioni controllate, metodi di randomizzazione, sperimentazioni in doppio cieco, etc.), gestioni dei dati sperimentali, pubblicazione e interpretazione dei risultati;
n) apprendimento delle basi della sperimentazione clinica in silico (sviluppo di modelli di simulazione per la fisiologia umana, la patofisiologia, la farmacocinetica e la farmacodinamica; sviluppo di metodi e software per la valutazione dell’efficacia di farmaci, strumenti diagnostici o trattamenti medici personalizzati);
o) apprendimento dei principi della sperimentazione sugli animali inclusi elementi di etica biomedica;
p) valutazione degli aspetti imprenditoriali e industriali delle biotecnologie avanzate
q) progettazione e implementazione di algoritmi predittivi (machine learning) per analizzare ed estrarre conoscenze utili dalla grande varietà e quantità di dati medici disponibili, sotto forma di reti (biologiche e sociali), sequenze (traiettorie dei pazienti), e dati non strutturati (testo e immagini, cartelle cliniche e dati sociali).
In evidenza