«Il miglior modello di un gatto è un altro gatto. Preferibilmente lo stesso gatto». Con questa sintesi efficace, Arti Ahluwalia, professoressa di Bioingegneria all’Università di Pisa, dal 2017 al 2022 direttrice del Centro di Ricerca “E. Piaggio”, fotografa il limite intrinseco della sperimentazione animale tradizionale, un paradigma che oggi viene sfidato da modelli “human-based” a scala milli, micro e nano.

«Dobbiamo sviluppare sistemi che assomiglino sempre di più al contesto umano, cioè sistemi sempre più fisiologicamente rilevanti», spiega Ahluwalia, fondatrice del Centro 3R (centro interuniversitario per la promozione dei principi delle 3R nella didattica e nella ricerca: replacement, reduction e refinement della sperimentazione animale), sottolineando come i nuovi approcci – basati sulla combinazione di bioreattori avanzati, modelli in vitro e modelli computazionali supportati da computer e intelligenza artificiale – stiano aprendo la strada a una medicina in cui il tasso di fallimento dei farmaci testati sugli animali, oggi vicino al 95% in ambito oncologico, può essere drasticamente ridotto.

Varchiamo la soglia del laboratorio: in che modo i vostri modelli “human-based” a scala milli, micro e nano stanno superando i limiti della sperimentazione animale tradizionale nella comprensione delle malattie umane?

«Forse la domanda da fare è: quali sono i limiti della sperimentazione tradizionale? Nel passato è stato molto utile avere la sperimentazione animale in assenza di tecnologie adeguate, come l’imaging, l’analisi dati e i modelli in vitro sofisticati. Questo, però, comporta diversi limiti: per esempio la mancanza di predittività dell’efficacia dei farmaci. Mentre è consolidato che una sostanza non tossica in un animale sarà probabilmente non tossica per noi l’86% delle volte, se una sostanza è tossica in un animale, lo è anche per noi solo nel 43% dei casi.

Inoltre, valutare l’efficacia è sempre un problema: in oncologia il tasso di fallimento è del 95%, il che significa che è poco probabile che la risposta terapeutica sia uguale nell’animale e negli umani. Vi è poi la mancata capacità di simulare alcune malattie associate al lifestyle e al nostro sistema nervoso sofisticato (come il cancro o patologie legate alla longevità). Dunque, i modelli human-based cercano di superare questi problemi usando cellule, tessuti umani e condizioni fisiologiche il più possibile vicine a quelle umane.

Per esempio, i modelli di inalazione che abbiamo sviluppato superano i test sui ratti perché usano cellule derivate da tessuto umano e modelli con un flusso di aria e movimento ciliare simile al nostro polmone».

Il vostro approccio integra biologia e ingegneria: come riuscite a combinare biofabbricazione, bioreattori e materiali biomimetici per replicare fedelmente l’architettura e la biomeccanica dei tessuti viventi?

«Sappiamo che, per avere modelli più affidabili, dobbiamo sviluppare sistemi sempre più fisiologicamente rilevanti. Oltre ad avere cellule umane, anche le condizioni fisiche, meccaniche e strutturali dovrebbero essere vicine a quelle che troviamo in vivo. La biofabbricazione è l’integrazione delle tecnologie di stampa 3D assistita da calcolatore con biomateriali, che permettono di costruire strutture con architetture note basate sulle immagini dei tessuti.

Questi biomateriali somigliano alla matrice extracellulare per proprietà fisico-chimiche, meccaniche e capacità di adesione cellulare. Infine, cerchiamo di mimare le condizioni di flusso o di sforzo inserendo queste strutture in bioreattori. Ciò permette di fornire un ricircolo di fluidi (che mimano il sangue) e deformazioni cicliche, come quelle che caratterizzano il movimento dei polmoni».

Entriamo nel merito dei digital twins: in che modo l’integrazione di strumenti computazionali in silico con i sistemi in vitro permette di modellare l’intelligenza naturale e prevedere il comportamento fisiologico di un organo?

«In senso stretto, un digital twin è un modello computazionale che rappresenta un organo o un sistema biologico e viene continuamente aggiornato da dati sperimentali. Oggi, l’integrazione tra sistemi in vitro e modelli in silico non consente ancora di “modellare l’intelligenza naturale”, né di prevedere in modo del tutto affidabile il comportamento fisiologico di un organo complesso, sebbene esistano esempi interessanti di sistemi ibridi bio-digitali».

Per esempio?

«Un caso spesso citato è lo studio sul Brain organoid reservoir computing, dove organoidi cerebrali umani vengono interfacciati con un sistema computazionale che trasforma segnali acustici in pattern di stimolazione elettrica. Con l’addestramento, le risposte dell’organoide diventano più distinguibili, migliorando la capacità del sistema di classificare i suoni (come distinguere due diverse vocali).

Tuttavia, anche se l’organoide fornisce una dinamica biologica realistica, l’apprendimento avviene nella parte computazionale. Siamo ancora molto lontani dall’uso di questi sistemi come digital twins capaci di prevedere il comportamento fisiologico o di modellare l’intelligenza naturale in senso pieno».

Dai progetti sulla sicurezza dei nanomateriali allo studio della connessione cuore-cervello, quali sono le sfide più complesse che state affrontando per rendere questi sistemi “organ-on-chip” standard affidabili per la medicina del futuro?

«Ci sono due problemi fondamentali. Il primo: purtroppo l’animale viene ancora visto come il gold standard, quindi il regolatore e lo scienziato confrontano la risposta di un ratto con quella di un sistema organ-on-a-chip, anziché con l’uomo. Secondo: la mancanza di infrastrutture e metodi per valutare l’affidabilità di questi sistemi. L’altro problema spesso citato – la difficoltà nel mimare effetti sistemici come l’interazione tra organi o il sistema immunitario – è, a mio avviso, un ostacolo non insuperabile dato il giusto investimento. Restano però dei limiti assoluti: e, come dicevo, il miglior modello di un gatto è un altro gatto, preferibilmente lo stesso gatto».

Con spin-off come IVTech già impegnati nella commercializzazione di tecnologie alternative ai test animali, quanto siamo vicini a una pratica clinica in cui i modelli predittivi umani guideranno quotidianamente le decisioni terapeutiche personalizzate?

«IVTech nasce nel 2014, ed è un’azienda che offre tecnologia e servizi per lo sviluppo di modelli in-vitro 5D, in grado di simulare al meglio la realtà umana, parliamo di modelli sempre più rappresentativi dei casi reali. Per quanto riguarda l’uso di modelli predittivi nella pratica clinica, questo succede già in diversi casi. Per la progettazione della terapia con pompa di insulina per diabetici, vengono usati modelli predittivi basati sulla risposta del paziente al glucose-clamp test, misurando con precisione la sensibilità all’insulina.

Un secondo caso riguarda la programmazione di interventi cardiaci o maxillo-facciali: modelli virtuali e fisici 3D specifici per il paziente, generati da dati di imaging (TC, RMI), permettono ai chirurghi di provare le procedure e ottimizzare la strategia chirurgica prima di entrare in sala operatoria.

In conclusione: per ora si tratta di molecole (insulina, per esempio) e procedure conosciute. La sfida è estendere questo a molecole di cui non conosciamo la risposta o efficacia per applicazioni personalizzate, cosa che ovviamente è impossibile con un modello animale».