In Silico Medicine and Simulation

Al termine del corso, lo studente avrà acquisito una visione organica dei principi, dei metodi e delle

applicazioni della medicina in silico e della simulazione computazionale in ambito biomedico. In

particolare, sarà in grado di comprendere il ruolo dei modelli predittivi nello studio dei sistemi

biologici e patologici, nello sviluppo di farmaci e vaccini, nella progettazione di studi in silico e nella

realizzazione di Digital Twins per la medicina personalizzata.

Lo studente conoscerà le principali classi di modelli impiegate nella medicina in silico, incluse le

formulazioni basate su equazioni differenziali ordinarie e alle derivate parziali, i modelli agent-

based, i modelli multiscala e gli approcci ibridi che integrano conoscenza biologica, dati

sperimentali e tecniche di intelligenza artificiale. Sarà inoltre in grado di distinguere i concetti di

modellazione, simulazione, predizione, verifica, validazione e valutazione della credibilità dei

modelli computazionali.

Al termine del corso, lo studente sarà in grado di analizzare un problema biomedico, formalizzarlo

mediante un modello concettuale, identificare i dati necessari alla sua implementazione,

interpretare criticamente i risultati delle simulazioni e discuterne limiti, incertezze e ambiti di

applicazione. Acquisirà inoltre familiarità con i principi della riproducibilità scientifica, della

quantificazione dell’incertezza e dei moderni framework di credibility assessment, con particolare

attenzione al loro impiego nello sviluppo di strumenti destinati ad applicazioni regolatorie e cliniche.

Lo studente sarà infine in grado di discutere criticamente casi di studio relativi alla medicina in

silico, quali Digital Twins, simulazione della progressione di malattie, studi clinici in silico (In Silico

Trials), sviluppo di farmaci e vaccini, medicina personalizzata e supporto alle decisioni cliniche,

comunicando in modo efficace metodologie, risultati e limiti dei modelli computazionali a

interlocutori con competenze multidisciplinari.

Mediante lezioni frontali ed esercitazioni pratiche (quando previste).

Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte

le necessarie variazioni rispetto a quanto dichiarato in precedenza, al fine di rispettare il programma previsto e riportato nel syllabus.

Secondo quanto riportato nel RDA, Art. 12 - Crediti Formativi Universitari (CFU), nel carico

standard di 25 ore di impegno complessivo dello/a studente/ssa, corrispondente a un credito,

possono rientrare:

a) 7 ore dedicate a lezioni frontali o attività didattiche equivalenti e le restanti allo studio

individuale;

b) almeno 12 e non più di 15 ore dedicate a esercitazioni in aula o attività assistite equivalenti

(laboratori) e le restanti allo studio e alla rielaborazione personale.

È richiesta una preparazione di base in matematica e informatica acquisita nel percorso di studi

triennale. Costituiscono titolo preferenziale, ma non sono prerequisiti indispensabili, conoscenze di

programmazione, modellazione matematica, probabilità e statistica, nonché nozioni fondamentali

di biologia e fisiologia umana. Eventuali richiami ai concetti necessari saranno forniti durante il

corso.

Frequenza obbligatoria secondo le norme del regolamento didattico del CdS in Informatica come

riportato nel link: https://web.dmi.unict.it/corsi/lm-18/regolamento-didattico.

1. Introduzione alla medicina in silico

Evoluzione della medicina computazionale.

Definizione e principi della medicina in silico.

Il ruolo della simulazione nella ricerca biomedica, nello sviluppo di farmaci e nella medicina

personalizzata.

Digital Health, Precision Medicine e Digital Twins.

2. Fondamenti della modellazione computazionale

Modelli concettuali e computazionali.

Tassonomia dei modelli predittivi.

Modelli deterministici, stocastici, meccanicistici e data-driven.

Modellazione multiscala.

3. Metodi di modellazione matematica e computazionale

Equazioni differenziali ordinarie (ODE).

Equazioni alle derivate parziali (PDE).

Agent-Based Modeling.

Modelli ibridi e integrazione con tecniche di Intelligenza Artificiale.

4. Sviluppo e valutazione dei modelli

Definizione del problema biologico.

Conceptual modelling.

Parametrizzazione e calibrazione.

Analisi di sensibilità.

Quantificazione dell’incertezza.

Verification, Validation e Credibility Assessment.

5. Medicina in silico e Digital Twins

Virtual Patients.

Digital Twins.

Simulazione della progressione di malattia.

Medicina personalizzata.

6. In Silico Trials (8 ore)

Studi clinici in silico.

Popolazioni virtuali.

Simulazione della risposta terapeutica.

Applicazioni allo sviluppo di farmaci e vaccini.

7. Applicazioni della medicina in silico

Oncologia.

Immunologia.

Malattie infettive.

Malattie neurologiche e autoimmuni.

Supporto alle decisioni cliniche.

8. Aspetti regolatori e prospettive future

Verifica dell’affidabilità dei modelli.

Contesto regolatorio nazionale e internazionale.

Ruolo della medicina in silico nello sviluppo delle tecnologie sanitarie.

Sfide e prospettive future.

La verifica dell’apprendimento si articola in due componenti complementari:

Progetto individuale o di gruppo, finalizzato all’analisi di un problema biomedico mediante

approcci di medicina in silico. Il progetto potrà consistere nella progettazione di un modello

computazionale, nello sviluppo di un modello concettuale, nell’analisi critica di un modello

esistente, nella discussione di un caso studio tratto dalla letteratura scientifica o nella

presentazione e valutazione critica di un articolo scientifico di particolare rilevanza. Gli

studenti dovranno dimostrare la capacità di identificare il problema, motivare le scelte

metodologiche, interpretare criticamente i risultati e discuterne punti di forza, limiti, credibilità

e possibili sviluppi.

Prova orale, volta ad accertare il raggiungimento dei risultati di apprendimento attesi e la

padronanza dei principali concetti teorici affrontati durante il corso. Durante il colloquio

saranno valutate la capacità di collegare i diversi argomenti della disciplina, il corretto

utilizzo della terminologia scientifica, la comprensione dei principi della medicina in silico e

della modellazione computazionale, nonché la capacità di discutere criticamente casi studio

e applicazioni in ambito biomedico, industriale e regolatorio.

La valutazione finale terrà conto sia della qualità del progetto sia dell’esito della prova orale,

considerando, oltre alle conoscenze teoriche, la capacità di applicare i concetti acquisiti alla

risoluzione di problemi reali, il rigore scientifico, l’autonomia di giudizio, le capacità espositive e la

qualità dell’analisi critica.

1. Si descrivano le principali differenze tra modelli meccanicistici, modelli data-driven e modelli

ibridi, discutendone vantaggi, limiti e possibili ambiti di applicazione nella medicina in silico.

2. Data la descrizione di un problema biomedico (ad esempio una malattia infettiva, oncologica

o autoimmune), si proponga una strategia di modellazione indicando il paradigma

computazionale più appropriato, il modello concettuale, i principali dati richiesti e le possibili

modalità di verifica e validazione.

3. Si illustrino le principali fasi del ciclo di sviluppo di un modello computazionale, dalla

definizione del problema biologico alla progettazione del modello, dalla parametrizzazione

alla calibrazione, fino alla verifica, validazione e valutazione della credibilità del modello.

4. Si discuta il concetto di Digital Twin e il suo ruolo nella medicina personalizzata,

evidenziandone le principali applicazioni nella ricerca biomedica, nello sviluppo di farmaci e

nella pratica clinica, nonché i limiti attuali e le prospettive future.

5. Viene fornito uno studio scientifico pubblicato nell’ambito della medicina in silico. Dopo

un’analisi critica del lavoro, lo studente dovrà discuterne il problema biomedico affrontato, il

modello concettuale proposto, il paradigma di modellazione adottato, il contesto d’uso

(Context of Use), le strategie di Verification, Validation e Credibility Assessment, i principali

risultati ottenuti e il potenziale impatto scientifico, clinico e regolatorio.