Biotecnologie computazionali: strumenti e prospettive per la scienza del futuro
DOI 10.12910/EAI2025-079
di Caterina Merla, Caterina Arcangeli, Francesca Camera, Nicolò Colistra - Dipartimento Sostenibilità Circolarità e Adattamento al Cambiamento Climatico dei Sistemi Produttivi Territoriali – Divisione Biotecnologie, Laboratorio Biotecnologie RED - ENEA
Le biotecnologie computazionali integrano modellistica, bioinformatica e intelligenza artificiale per innovare salute e sostenibilità. ENEA applica FEM, dinamica molecolare e IA a sistemi biologici complessi, abilitando una biotecnologia predittiva e integrata.
Le biotecnologie stanno vivendo una fase di profonda trasformazione grazie all’integrazione con le scienze computazionali. Tecniche di simulazione numerica, modellazione molecolare, analisi di reti complesse e intelligenza artificiale permettono oggi di progettare e ottimizzare processi biologici con una precisione impensabile fino a pochi anni fa.
Le biotecnologie computazionali costituiscono quindi il motore della nuova ricerca data-driven, accelerando lo sviluppo di applicazioni in campo biomedico (Red Biotechnologies) e ambientale-agroindustriale (Green Biotechnologies). In questo scenario, l’ENEA è attiva nello sviluppo e applicazione di metodologie computazionali avanzate per comprendere, prevedere e ottimizzare fenomeni di interesse biotecnologico, integrando competenze ingegneristiche, informatiche e biologiche, e avvalendosi delle infrastrutture di calcolo ad alte prestazioni come il supercalcolatore CRESCO.
Biotecnologie computazionali per la salute (Red Biotechnologies)
Nel settore biomedico, ENEA utilizza approcci computazionali che operano a diversi livelli di organizzazione biologica per lo studio dei processi complessi e per la progettazione di nuove strategie terapeutiche e diagnostiche.
Modellazione dei fenomeni bioelettromagnetici
Attraverso la modellazione agli elementi finiti (Finite Element Method, FEM), ENEA analizza le interazioni tra campi elettromagnetici e tessuti biologici, supportando lo sviluppo di dispositivi biomedici non invasivi e contribuendo a studi di protezione e sicurezza [1].
Le simulazioni FEM consentono di valutare in modo quantitativo la distribuzione dei campi e delle correnti indotte (Fig. 1A), ottimizzando protocolli terapeutici basati sulla stimolazione elettromagnetica e consentendo di studiare e interpretare i meccanismi molecolari che sono alla base delle risposte fisiologiche.
Dinamica molecolare e drug design
Un altro filone di ricerca riguarda l’impiego della dinamica molecolare (MD) e della modellazione molecolare per analizzare l’interazione di farmaci e molecole bioattive con enzimi, recettori cellulari o componenti di membrana (Fig. 1B).
Tali approcci vengono utilizzati sia per la valutazione di contaminanti ambientali e dei loro effetti a livello biomolecolare, sia per lo studio di molecole naturali e biomolecole con potenziale terapeutico, nutraceutico o epigenetico[2], [3]. Le simulazioni, condotte su larga scala grazie al supercalcolatore CRESCO, permettono di esplorare la dinamica strutturale dei complessi proteina-ligando e di prevedere l’efficacia potenziale di nuove molecole.
Un ulteriore ambito di ricerca riguarda l’uso combinato di MD e intelligenza artificiale (IA) per lo screening di nuove molecole terapeutiche. Tradizionalmente, l’identificazione di nuove molecole attive richiede un numero elevatissimo di esperimenti in vitro e in vivo. L’integrazione della IA con le simulazioni in silico consente invece di esplorare milioni di configurazioni di legame molecolare in tempi molto più rapidi.
Intelligenza artificiale per la medicina personalizzata
L’uso di IA e di machine learning permette di ottimizzare protocolli clinici e sperimentali, integrando e analizzando grandi quantità di dati biologici e clinici, riuscendo a considerare tutti i fattori che incidono sulla loro efficacia e ottimizzandone i risultati.
Gli algoritmi predittivi sviluppati in ENEA supportano la definizione di strategie terapeutiche personalizzate e contribuiscono a migliorare la comprensione e la qualità dei dati clinici, rendendo più accurate le valutazioni di efficacia [4].
Biotecnologie computazionali per l’ambiente e la sostenibilità (Green Biotechnologies)
Le biotecnologie computazionali offrono un contributo decisivo anche alla transizione ecologica, supportando la bioeconomia circolare, e l’innovazione nei sistemi agroalimentari.
Studi di associazione genetica
ENEA utilizza approcci di Genome-Wide Association Study (GWAS) [5] per identificare le regioni del genoma, dette QTL (Quantitative Trait Loci), associate a caratteri di interesse agronomico e nutrizionale (Fig. 2A). L’integrazione di dati genotipici e fenotipici provenienti da ampie collezioni di varietà e popolazioni consente di individuare le porzioni di DNA che influenzano tratti complessi, come la tolleranza agli stress ambientali o l’accumulo di metaboliti benefici per la salute. I risultati ottenuti rappresentano una base scientifica solida per il miglioramento genetico assistito da marcatori e per lo sviluppo di nuove varietà vegetali più resilienti e di migliore qualità nutrizionale.
Analisi dell’espressione genica
Attraverso analisi eventualmente anche coordinate con gli studi di associazione precedentemente descritti, ENEA analizza dati trascrittomici e fenotipici per individuare i geni e i meccanismi che regolano la qualità delle colture e la loro risposta a stress ambientali o a variazioni delle condizioni di crescita.
L’approccio WGCNA (Weighted Gene Co-expression Network Analysis) [6] consente di costruire reti di co-espressione genica (Fig. 2B) che mettono in relazione geni con funzioni simili o coordinate, permettendo di identificare i nodi chiave, i cosiddetti geni “hub”, che controllano processi fisiologici complessi.
Queste informazioni sono preziose per sviluppare strategie di miglioramento genetico finalizzate alla resilienza delle colture e al potenziamento del loro valore nutrizionale.
Prospettive: verso una biotecnologia predittiva e integrata
L’integrazione tra modellistica numerica, bioinformatica e intelligenza artificiale rappresenta la frontiera delle biotecnologie computazionali. Queste metodologie permettono di passare da un approccio empirico a uno predittivo e progettuale, dove i modelli digitali guidano lo sviluppo di nuovi protocolli clinici, l’individuazione di molecole terapeutiche, e il miglioramento genetico per processi più sostenibili.
L’esperienza maturata da ENEA in ambito Red e Green dimostra come il calcolo scientifico possa diventare un acceleratore dell’innovazione, contribuendo sia alla tutela della salute sia alla transizione ecologica. Le prospettive future puntano verso la modellazione che integri i diversi livelli di organizzazione biologica, l’uso di AI generativa, la costruzione di gemelli digitali e l’integrazione dei dati di sequenziamento genomico e dell’AI, strumenti chiave per la scienza e l’industria del futuro.
Figura 1 - Approcci computazionali che operano a diversi livelli di organizzazione biologica: A) Campo elettrico indotto calcolato tramite simulazione FEM di una tipica applicazione biomedicale e B) modellazione molecolare per analizzare l’interazione di inquinanti organici persistenti (PFAS, mostrati in viola) con enzimi epigenetici (DNA metiltransferasi di tipo 1, DNMT1).
Figura 2 - Analisi integrata di associazioni genomiche e co-espressione genica. Il pannello A mostra varianti genetiche distribuite lungo i cromosomi, con alcune sopra la soglia di significatività. Il pannello B mostra una rete di geni e tratti fenotipici organizzati in nove moduli funzionali colorati che evidenziano correlazioni biologiche.
Bibliografia
[1] F. Camera et al., “Dosimetry for repetitive transcranial magnetic stimulation: a translational study from Alzheimer’s disease patients to controlled in vitro investigations,” Phys. Med. Biol., vol. 69, no. 18, 2024, doi: 10.1088/1361-6560/ad6f69.
[2] A. Piergentili, P. R. Saraceni, O. C. Demurtas, B. Benassi, and C. Arcangeli, “Epigenomics Nutritional Insights of Crocus sativus L.: Computational Analysis of Bioactive Molecules Targeting DNA Methyltransferases and Histone Deacetylases,” Int. J. Mol. Sci., vol. 26, no. 15, p. 7575, Aug. 2025, doi: 10.3390/ijms26157575.
[3] G. Innamorati, M. Pierdomenico, B. Benassi, and C. Arcangeli, “The interaction of DNMT1 and DNMT3A epigenetic enzymes with phthalates and perfluoroalkyl substances: an in silico approach,” J. Biomol. Struct. Dyn., vol. 41, no. 5, pp. 1586–1602, Mar. 2023, doi: 10.1080/07391102.2021.2023642.
[4] R. Crusi et al., “Cardiac Pulsed-Field Ablation: Deep Learning Solutions for Multi-Parameter Predictions,” IEEE J. Electromagn. RF Microw. Med. Biol., pp. 1–10, 2025, doi: 10.1109/JERM.2025.3577268.
[5] J. He and J. Gai, “Genome-Wide Association Studies (GWAS),” Methods Mol. Biol. Clifton NJ, vol. 2638, pp. 123–146, 2023, doi: 10.1007/978-1-0716-3024-2_9.
[6] J. D. Montenegro, “Gene Co-expression Network Analysis,” Methods Mol. Biol. Clifton NJ, vol. 2443, pp. 387–404, 2022, doi: 10.1007/978-1-0716-2067-0_19.