L'intelligenza artificiale può decifrare l'intestino? : Machine Learning nella ricerca sul microbioma

Il microbioma umano è un consorzio composto principalmente da batteri, virus e funghi che risiedono in diverse nicchie ecologiche, dalla cavità orale a quella oculare, nasale, cutanea e intestinale. Il microbioma intestinale ospita la massima diversità e abbondanza di microrganismi grazie alla disponibilità di nutrienti e a fattori ambientali favorevoli alla sua colonizzazione. Numerosi esperimenti condotti su topi privi di germi hanno dimostrato il ruolo critico dei microbi intestinali; senza di essi, questi topi sono immunologicamente estremamente deboli e presentano gravi compromissioni in diversi sistemi d’organo. 

Questo massiccio “organo invisibile”, che supera il numero dei geni umani di oltre 100 volte, è essenziale per il corretto funzionamento del corpo. Questi microrganismi possiedono la capacità di sintetizzare metaboliti essenziali, fungendo così da primer per percorsi metabolici e funzionali complessi. Pertanto, è ben consolidato, sulla base di anni di ricerca dedicata su diversi modelli sperimentali, che il microbioma intestinale sia un’entità importante, e lo studio della diversità e dell’abbondanza di questi microrganismi può fornire indicazioni sulla funzione del corpo e sulla sua stretta relazione con la salute e il benessere.

La connessione tra salute intestinale e malattie croniche

La prova più antica dell’associazione tra microbioma intestinale e malattia cronica risale al 500 a.C., quando i cinesi praticavano il trattamento di varie malattie con la “zuppa d’oro”, che in pratica era materia fecale proveniente da un donatore sano. Oggi questa pratica ha guadagnato popolarità presso diverse organizzazioni di ricerca e strutture sanitarie con il nome di “Fecal Microbiome Transplant” o semplicemente FMT. 

La FDA ha ora approvato l’uso di FMT nel trattamento di infezione ricorrente da Clostridium difficile.Si sta delineando un crescente legame tra il microbioma intestinale e varie malattie che spaziano dalla salute metabolica a quelle immunologiche, neurologiche, psicologiche e gastrointestinali. Filosoficamente nasciamo tutti come una tabula rasa, con la prima esposizione ai microbi che avviene al momento del parto. Tuttavia, a differenza dei geni, i nostri microbi sono dinamici e sono influenzati da diversi fattori esterni come l’alimentazione, i farmaci, la salute fisica, la salute mentale, l’esercizio fisico insieme ad altri fattori sociali e dello stile di vita che incidono costantemente su questi batteri intestinali. 

La ricerca negli ultimi due decenni è aumentata in modo significativo grazie ai progressi nella tecnologia di sequenziamento del DNA. La domanda era semplice: in cosa differisce il microbioma tra individui sani e quelli affetti da una specifica malattia. Le risposte emerse hanno creato un intero nuovo ramo della scienza chiamato metagenomica che caratterizza il profilo microbico nell’intestino mediante sequenziamento di nuova generazione (NGS). La classificazione tassonomica ha rivelato che alcuni microrganismi sono aumentati nello stato di malattia, mentre altri risultano impoveriti rispetto alla coorte sana. 

Dall’analisi è stato dedotto che i batteri che risultavano aumentati appartengono a quei batteri pro-infiammatori associati alla produzione di citochine infiammatorie o a quelli che hanno il potenziale di degradare lo strato protettivo di mucina, compromettendo così l’integrità della barriera intestinale, oppure a quelli che producono quantità eccessive di gas o certi tossine che possono alterare percorsi funzionali o interferire con la motilità e il transito intestinale. 

D’altra parte, i batteri che risultavano diminuiti nel gruppo malato appartenevano al gruppo “l'anti-infiammatorio” associato alla produzione di acidi grassi a catena corta essenziali, vitamine microbiche, neurotrasmettitori ed enzimi coinvolti nella digestione, nella degradazione dei carboidrati complessi e nella regolazione della comunicazione tra l’intestino e vari sistemi d’organo; asse intestino-cervello, asse intestino-pelle, asse intestino-fegato, asse intestino-cuore e così via. 

Pertanto, la relazione tra microbi e malattie è molto stretta. Nella maggior parte dei casi il mistero della causa e dell’effetto rimane ancora irrisolto. I microbi hanno causato la malattia o la malattia ha modificato il microbioma? Il dilemma della gallina e dell’uovo è un dibattito di lunga data!

Decodificare trilioni di interazioni microbiche: una sfida

I microbi non agiscono in isolamento. Raramente si sente parlare di un singolo batterio associato a una specifica funzione metabolica. Proprio come gli esseri umani e altri organismi biologici hanno le loro famiglie, così fanno i microbi. Esiste una comunicazione costante tra i batteri che può avere effetti positivi, come nel mutualismo o nella simbiosi, o effetti dannosi sotto forma di parassitismo o esclusione competitiva, dove i microbi competono per spazio e nutrienti. 

Per comprendere il microbioma nella sua totalità sono necessari diversi passaggi: dalla gestione del campione all’isolamento del DNA, alla classificazione batterica e all’identificazione dei percorsi funzionali che sono stati alterati di conseguenza. La produzione del neurotrasmettitore serotonina, per esempio, non è una reazione semplice. Il modo principale in cui il microbioma regola la produzione di serotonina è fungendo da centralina molecolare per le cellule enterocromaffini dell’ospite. Questo avviene quando le fibre alimentari vengono convertite in butirrato dall’azione batterica che, a sua volta, regola il gene TPH-1 per convertire il triptofano in serotonina.

Perché la ricerca sul microbioma genera una tempesta di dati

Uno dei sistemi modello batterici più studiati, Escherichia coli, è stato oggetto di studi per oltre 50 anni, eppure non lo abbiamo completamente compreso. L’intestino, che ospita più di 10^13 microrganismi, è una coltura eterogenea composta principalmente da batteri, seguiti da virus e funghi. Ciò amplifica la complessità in modo esponenziale. È importante notare che questi microrganismi hanno reti intricate e una comunicazione interconnessa. Pertanto la mera identificazione di questi microrganismi non è più sufficiente; è necessaria l’integrazione della tassonomia microbica, della diversità, dei metaboliti, delle proteine e, soprattutto, delle loro interazioni tra loro e con il sistema immunitario dell’ospite.

Dalla metagenomica alla multi-omica: l’esplosione dei dati biologici 

Un singolo dataset metagenomico può generare gigabyte di letture di sequenziamento che richiedono classificazione tassonomica, annotazione funzionale e interpretazione statistica. Quando integrati con livelli di dati metaproteomici, metabolomici e metatranscrittomici in un framework multi-omico, l’onere analitico diventa computazionalmente oneroso. I metodi analitici tradizionali faticano con questi complessi dataset microbiomici ad alta dimensionalità. La vera sfida non è il volume. È la struttura. Questo è precisamente lo spazio di problemi in cui l’intelligenza artificiale (AI) eccelle.

Entra in scena l’intelligenza artificiale: insegnare alle macchine a leggere i pattern microbici

L’AI offre un paradigma per abilitare approfondimenti a risoluzione più elevata, scalabili e più predittivi sulle complesse interazioni ospite–microbioma. Per affrontare la sfida delle pipeline bioinformatiche standard nel gestire dati microbiomici su larga scala e eterogenei, gli approcci basati su AI sono sempre più adottati per l’elaborazione, la rappresentazione e l’interpretazione dei dati, offrendo soluzioni più efficienti e scalabili per l’analisi traslazionale e integrativa. Diventa importante unire i dati multi-omici prima dell’addestramento del modello, tipicamente concatenando diverse feature in una matrice unificata.

In senso ampio, il Machine Learning, una sottocategoria dell’AI, è stato ampiamente utilizzato e studiato nel contesto della ricerca sul microbioma per riconoscimento, classificazione e predizione di pattern. I metodi classici di ML che rientrano nell’apprendimento supervisionato includono modelli di regressione lineare, support vector machines e classificazione random forest, che hanno ottenuto buone prestazioni sui dataset microbiomici. Questi metodi sono stati costantemente utilizzati negli studi di predizione della disbiosi dell’ospite offrendo maggiore potenza statistica rispetto ai metodi convenzionali. D’altro canto, le tecniche non supervisionate comprendono metodi per ridurre la dimensionalità e semplificare l’interpretazione umana dei dati. In generale, negli algoritmi di clustering i campioni con profili microbici simili vengono raggruppati, mentre le tecniche di regressione utilizzano questi profili per prevedere esiti clinici.

Il Deep Learning è una classe di ML che imita il funzionamento del cervello umano (rete neurale) collegando nodi (neuroni) in una rete, che dà progressivamente luogo a una rete multilivello (da cui il termine reti neurali profonde). Questo consente l’estrazione automatica di feature significative con un intervento manuale quasi trascurabile.

Come l’AI identifica firme microbiche nascoste

Oggi siamo passati all’era del Big Data, dove la progettazione dello studio, la metodologia e la statistica complessa possono essere affrontate da vari strumenti di AI. Tuttavia, nel caso dei dati microbiomici, il ruolo critico dell’AI è convertire questi dati complessi su larga scala in insight significativi che possano avere applicazione traslazionale o clinica. Il deep learning e i Language Learning Models (LLMs) sono utili per decodificare i meccanismi molecolari, inclusa l’annotazione funzionale e la generazione di molecole. A livello di comunità, la combinazione di modelli AI con modelli matematici tradizionali aiuta a chiarire composizione e funzione delle comunità microbiche. A livello di specie, gli approcci AI forniscono comprensioni sulla funzionalità delle specie e sul loro impatto sulla salute dell’ospite. Inoltre, a livello molecolare, i modelli AI influenzano i dati microbiomici su larga scala per l’annotazione funzionale, il mining genico e la rivelazione di meccanismi regolatori.

Di seguito i vari livelli ai quali i modelli ML possono essere sfruttati per identificare firme basate sul microbioma insieme ad alcuni studi di riferimento:

1. Diagnosi di malattia: classificazione di CRC, IBD, IBS, CVD, obesità e COVID-19 da un singolo campione di feci (Su et al., Nat Comm 2022); metanalisi CRC (Wirbel et al., Nat Medicine 2019); firme comuni in CAD, IBD e cirrosi epatica (Tierney et al., Nat Comm 2021)

2. Predizione di malattia: studio sulla risposta glicemica personalizzata (Zeevi et al., Cell 2015); malattia cardiometabolomica (Fromentin et al., Nat Medicine 2022); LASSO multi-omico per il diabete di Tipo 2 incident (Carrasco-Zanini, et al., Diabetologia 2023); Cancro colorettale a esordio precoce (Kong et al., Gut 2023)

3. Prognosi di malattia: TOPOSCORE per la predizione della sopravvivenza in immunoterapia (Davar, Dzutsev et al., Science 2021); Andrews et al., Nature Medicine (2021); tossicità da inibitori dei punti di controllo immunitario nei pazienti con melanoma (Andrews et al., Nature Medicine 2021)

4. Trattamento della malattia: selezione della classe biologica nei pazienti con IBD (Lee et al., Cell Host & Microbe 2021); dinamiche microbioma–metaboloma nel programma di gestione dell’obesità (Wu H, Bäckhed F et al Nature Medicine, 2025)

Riconoscimento di pattern oltre la capacità analitica umana

La multidimensionalità dell’interpretazione della scienza microbica supera la capacità analitica umana di cogliere pattern differenziali sottili ma significativi. Il potere dell’AI è scoprire questi pattern multilivello identificando reti di co-abbondanza e rivelando pattern temporali e dinamici longitudinali. Le applicazioni cliniche dei risultati sul microbioma possono essere produttive solo se combinate con un file di metadata dettagliato e comprensivo che copra informazioni su demografia, nazionalità, comorbilità, farmaci, allergie, abitudini alimentari e vari altri marcatori ematici, immagini e caratteristiche istopatologiche utilizzate per la diagnosi. Questa enorme attività di combinare la metagenomica con dati pertinenti per identificare pattern predittivi può essere raggiunta solo dai modelli AI.

Applicazioni del Machine Learning che trasformano la scienza del microbioma

Predizione della malattia e diagnosi precoce

Nei contesti di malattie gastrointestinali e sistemiche, i modelli ML vengono impiegati per individuare stati microbici patologici molto prima dell’insorgenza dei sintomi clinici. Malattie dello stile di vita come obesità, diabete di Tipo II, steatosi epatica e malattie autoimmuni come le malattie infiammatorie intestinali sono patologie croniche scatenate da diversi fattori. Di natura idiopatica, queste malattie sono fortemente associate alla disbiosi microbica. I modelli AI sono inoltre diventati promettenti strumenti di screening non invasivi per la rilevazione precoce del cancro. I modelli ML hanno dimostrato, con sensibilità e specificità molto elevate, la capacità di discriminare le coorti che sono progredite verso tumori del colon-retto, del pancreas e epatocellulari rispetto ai controlli sani.

Medicina di precisione e assistenza sanitaria personalizzata

Oggi il mondo si affida alla sanità personalizzata. I giorni del modello “taglia unica” non sono più applicabili. L’industria sanitaria, che comprende fondamentalmente clinici e ricercatori, ha capito che ogni paziente è diverso e che la medicina di precisione è la chiave. Ippocrate fu il primo a menzionare “Tutte le malattie cominciano nell’intestino”; portando avanti questo concetto, l’importanza della dieta e della nutrizione nella modellazione dei microbi è estremamente fondamentale. Il tipo giusto di alimentazione è necessario per nutrire il tipo giusto di batteri. La relazione tra dieta e microbioma è bidirezionale e un circolo vizioso che si intreccia anche con fattori esterni dell’ospite e altri stili di vita nonché abitudini sociali. Il microbioma residente, che costituisce il nucleo dell’individuo, crea una nicchia ambientale che permette ai batteri di colonizzare e proliferare. Inoltre, numerosi studi hanno dimostrato come le risposte ai farmaci e le chemioterapie possano essere influenzate dalla natura dei microbi intestinali. La traiettoria della progressione della malattia non è mai uguale per tutti i pazienti, e ciò è fortemente influenzato dai microbi che giocano un ruolo in un nuovo e emergente campo chiamato “pharmacomicrobiomics”. Pertanto, la personalizzazione è fondamentale nella progettazione di diete e terapie farmacologiche “basate sul microbioma”.

L’asse intestino-cervello e la salute neurologica

Il microbioma intestinale ha una connessione solida con il sistema nervoso centrale tramite l’asse intestino-cervello. La serotonina non solo svolge un ruolo nelle attività neurologiche e psicologiche, ma ha anche suscitato grande interesse per il suo ruolo nell’ambito gastrointestinale; ciò rafforza l’ipotesi per cui il 90% della serotonina prodotta nell’organismo origina dall’intestino. Il percorso meccanicistico che collega la disbiosi del microbioma intestinale a condizioni neurologiche e psichiatriche è sempre più riconosciuto e non si limita alla sintesi di neurotrasmettitori, ma comprende anche l’integrità compromessa della barriera intestinale, associata a schizofrenia, Alzheimer, Parkinson e disturbo dello spettro autistico. Ricercatori di rilievo a livello mondiale hanno messo in relazione come un intervento, sia tramite dieta che con batteri probiotici o FMT, possa essere utilizzato come metodo efficace per coadiuvare la terapia medica convenzionale.

L’asse intestino-cervello non è solo una teoria: batteri specifici sono già impiegati per influenzare umore e cognizione.

Ecco la scienza clinica dietro i psicobiotici e cosa significa per la salute mentale.

→ Leggi: Psicobiotici e salute mentale | Il legame intestino-cervello

Scoperta di farmaci e innovazione farmaceutica

Il microbioma rappresenta un serbatoio poco esplorato di composti bioattivi e attività enzimatiche rilevanti per il metabolismo dei farmaci. Rispetto all’identificazione tradizionale di biomarcatori, gli algoritmi basati su AI integrano tecnologie di sequenziamento all’avanguardia con l’elaborazione del linguaggio naturale (NLP). Un tipico algoritmo ML comprende due fasi principali: la fase di training durante la quale si costruisce un modello robusto usando dati etichettati o noti, seguita dalla fase di testing che utilizza questo modello addestrato per predire risultati su dati non etichettati o sconosciuti. Metriche di performance misurate tramite AUROC (area sotto la curva ROC) per la classificazione, F1-Score per precisione e richiamo e l’errore quadratico medio per l’analisi di regressione possono aiutare a valutare l’accuratezza nella scoperta di biomarcatori e nella predizione della dinamica microbica. L’Explainable AI o XAI sono i nuovi framework che aiutano a decodificare “la scatola nera” dell’AI per fornire una comprensione più affidabile e completa di quali taxa microbici o percorsi funzionali stanno guidando il rischio di malattia.

Tecnologie che alimentano la ricerca sul microbioma guidata dall’AI

Oggi, mentre siamo nella fase logaritmica della generazione di big data, il suffisso “-omica” può essere aggiunto a ogni possibile analisi. L’avvento dell’NGS ci ha permesso di comprendere DNA, RNA e proteine a profondità e precisione fenomenali. Le tecnologie di sequenziamento amplicon che includono il 16s-rRNA e il sequencing dell’internal transcribed spacer rimangono ampiamente utilizzate per la loro convenienza in termini di costi e scalabilità, mentre il whole genome o lo shotgun metagenomics offrono una visione più dettagliata e completa con maggiore risoluzione e capacità funzionale, sebbene a un costo più elevato.

Il passaggio dalla ricerca microbiomica convenzionale alla biologia dei sistemi predittiva richiede l’integrazione di dati biologici diversi. Proprio qui l’AI può padroneggiare la gestione di questi dataset massivi, complessi e eterogenei che includono metagenomica (nomina i taxa batterici e fornisce l’abbondanza relativa), transcriptomica (rivela quali geni sono attivamente trascritti nell’ospite), proteomica (per misurare le proteine funzionali che vengono sintetizzate) e metabolomica (per rilevare la presenza e quantificare i prodotti biochimici che interagiscono con l’ospite). L’idea è andare oltre il singolo livello di dati (in questo caso, solo il DNA microbico) e scoprire pattern biologici latenti e armonizzare l’“exposome” per estrarre dati clinicamente ed epidemiologicamente rilevanti.

Opportunità per le industrie farmaceutiche e biotecnologiche

La terapia del microbioma è un intervento volto a offrire nuove opzioni terapeutiche che sfruttano il microbioma umano, aprendo nuove possibilità di espansione del mercato. Vi è una crescente necessità di trattamenti efficaci a causa della diffusione in aumento di malattie gastrointestinali, malattie metaboliche, malattie autoimmuni e disturbi psicologici. La ricerca in corso sta anche esplorando il potenziale delle terapie del microbioma nel trattamento del cancro. Ampie ricerche di mercato condotte da importanti aziende hanno documentato una dimensione del mercato di US$ 375.92 Million che crescerà fino a 813.38 Million entro il 2030 con un CAGR globale del 10.1%.

Sulla base di vari segmenti, il microbioma come medicina può essere suddiviso per Tipo (Therapeutics/Procedure), per applicazione (per malattia) o per utente finale (Hospitals and Clinics/ Home care). Le industrie biotech puntano anche a creare consorzi probiotici personalizzati basati su report del microbioma intestinale che seguono il modello direct-to-consumer. Molte di queste piattaforme spesso sfruttano modelli ML addestrati su migliaia di set di dati individuali microbioma-dieta-esiti metabolici per generare indicazioni nutrizionali personalizzate volte a ottimizzare la diversità intestinale e creare un ambiente anti-infiammatorio per migliorare specifici esiti di salute.

L'AI mappa il microbioma. I Live Biotherapeutics lo mettono in uso clinico.

Ecco come gli LBP stanno trasformando la scienza del microbioma in farmaci regolamentati e pronti per il mercato.

→ Leggi: Prodotti bioterapeutici vivi: sicurezza clinica, regolamentazione e potenziale di mercato 

Le sfide che l'AI non può ancora risolvere completamente

Il settore sanitario è stato uno dei più avvantaggiati dalla rapida crescita e dall'avanzamento tecnologico dell'hardware e del software dei computer. Ciò ha facilitato la digitalizzazione dei dati sanitari, aprendo nuove strade per lo sviluppo di modelli computazionali e opportunità di utilizzare sistemi di AI per ottenere approfondimenti più profondi dai dati. L'avvento dei dispositivi indossabili in grado di quantificare parametri di salute fisica, dieta e stile di vita, insieme ai dispositivi medici che possono quantificare aspetti comportamentali, sociali ed ambientali esterni, ha aperto prospettive a cui il mondo non era mai stato esposto prima. L'integrazione di questa ricchezza di informazioni con la bioinformatica e la metagenomica, specialmente con l'AI, permette ai ricercatori di scoprire schemi intricati e reti all'interno di grandi insiemi di dati che prima erano difficili da discernere.

Nonostante il fenomenale progresso e potenziale dell'AI, questo campo affronta ancora ostacoli che impediscono un'integrazione senza soluzione di continuità nella pratica clinica reale.

Mancanza di dataset standardizzati: Discrepanze nella raccolta e conservazione dei campioni, nella registrazione dei dati, nelle metodologie di sequenziamento e nel pre-processamento possono introdurre gravi bias che possono influenzare l'accuratezza e l'affidabilità delle predizioni dell'AI. La soluzione a ciò è innanzitutto formare l'umano prima di addestrare l'AI. Ciò include uno sforzo multicentrico e collaborativo tra discipline per standardizzare i protocolli e formare medici, infermieri, ricercatori, bioinformatici, data scientist, statistici, dietisti nonché fornitori di assistenza sanitaria affinché possano essere aggiornati sulle ultime tecnologie.

1. Variabilità biologica tra le popolazioni: La sfida della variabilità di coorte è comune a qualsiasi quesito sanitario. Il microbioma è fortemente influenzato dalla genetica, dalla geografia e dall'ambiente. Pertanto, dataset su larga scala che coinvolgono biomarcatori integrati con ML in una popolazione definita potrebbero non essere applicabili globalmente e non possono essere considerati ricerche dirompenti a meno che l'AI non possa funzionare su un'integrazione multimodale.

2. Bias dei dati e problemi di riproducibilità: La sfida principale nell'integrare l'AI nella ricerca sul microbioma è la rappresentazione di “true samples” nel dataset di addestramento che verrà utilizzato per creare il modello predittivo. Spesso la dimensione del campione è ridotta e poco diversificata. Per superare questa carenza, è imperativo convalidare gli algoritmi derivati da studi retrospettivi e monocentrici e promuovere la cross-validation tra più centri e in studi prospettici

3. Questioni normative ed etiche relative ai dati biologici: Mentre il mondo affronta problemi di privacy e sicurezza dei dati, anche i dati del microbioma sollevano preoccupazioni riguardo alla proprietà. Trasparenza, consenso informato e un quadro normativo per l'archiviazione e lo scambio dei dati sono imprescindibili. L'AI può infatti essere un modo per contrastare le preoccupazioni sulle violazioni della privacy dei dati medici. Questo può essere perseguito mediante modelli di generative AI in grado di creare dati paziente sintetici realistici e tuttavia non collegati a individui reali.

4. Il costo dell'AI: Sebbene i vantaggi dell'AI siano superiori alle sfide, rimane ancora un ambito poco esplorato. La limitazione è il costo. L'archiviazione, la manutenzione e l'analisi di dati computazionali su larga scala richiedono un'infrastruttura tecnica di alto livello. La “digital equity” è una considerazione importante per superare questi ostacoli finanziari e garantire che l'integrazione dei dati non sia confinata solo alle nazioni sviluppate, il che creerebbe certamente un risultato molto distorto.

5. Il problema della “scatola nera” nelle decisioni dell'AI: La grande questione rimane. Il modello più robusto potrebbe generare la previsione più accurata, ma l'opacità della logica biologica reale o delle caratteristiche meccanicistiche ostacola il suo progresso e la sua accettabilità. I dati del microbioma sono soggetti al problema della scatola nera e i modelli di AI faticano a elaborarli in modo trasparente. Le ragioni principali sono l'elevata dimensionalità dei dataset multi-omici, gli ecosistemi non lineari che coinvolgono l'interazione microbica tramite reti dinamiche piuttosto che catene lineari, e infine il rischio di overfitting che può dare correlazioni spurie anziché segnali biologici veri.

L'AI può davvero decodificare l'intestino?

Una parola: no.

Ciò è dovuto principalmente al fatto che i sistemi biologici sono intrinsecamente dinamici, non lineari e aperti; mentre l'AI si basa sul riconoscimento di schemi, che spesso fatica in scenari del mondo reale. Tuttavia, i ricercatori stanno cercando di tenere conto di questa incertezza e eterogeneità sintetizzando dati multi-omici e usando approcci bayesiani per identificare legami genuini piuttosto che correlazioni casuali. Il concetto di digital twins probabilmente sarà il fattore di svolta per simulare le interazioni ospite-microbo e prevedere la risposta a varie terapie mediche o dietetiche.

Il vero futuro risiede nell'AI simbiotica, un quadro in cui né l'umano né l'AI lavorano in isolamento. Il feedback “human-in-the-loop” permette ai complessi modelli di AI di perfezionare i loro algoritmi per colmare il divario tra fredde statistiche e salute olistica.

Conclusione

È chiaro che la traiettoria dell'AI nella scienza del microbioma tende verso un approccio sempre più integrato e a livello di sistemi. L'AI certamente non sostituisce lo scienziato da laboratorio, poiché la validazione delle ipotesi derivate computazionalmente rimane cruciale. Il microbioma intestinale può essere considerato uno dei rompicapi più complessi della medicina; tuttavia, con l'AI come co-investigatore e un impegno per una ricerca rappresentativa a livello globale, la sua decodifica non è più un'aspirazione lontana.