L’edema maculare è una delle principali cause di perdita visiva nei pazienti con occlusione venosa retinica (RVO) e retinopatia diabetica (RD). L’introduzione della tomografia a coerenza ottica (OCT) ha rivoluzionato il modo in cui queste patologie vengono diagnosticate e monitorate, rendendo possibile la visualizzazione di alterazioni microscopiche non visibili con la sola osservazione clinica. Tuttavia, la valutazione manuale di tali immagini richiede tempo, competenze specialistiche e può variare da un operatore all’altro. In questo contesto, l’intelligenza artificiale (IA) rappresenta un’opportunità innovativa per automatizzare e standardizzare l’analisi delle immagini OCT. Il progetto mira a validare un algoritmo AI capace di riconoscere e quantificare in modo automatico i principali biomarcatori OCT in pazienti con edema maculare secondario a RVO (RVO-EM) e a RD (RD-EM). Tra i biomarcatori analizzati vi sono il fluido intraretinico, il fluido sottoretinico, i foci iperriflettenti (HRF), e l’integrità della external limiting membrane e della ellipsoid zone. Lo studio sarà condotto su un'ampia coorte di pazienti affetti da edema maculare, reclutati presso l’UOC di Oculistica (Azienda Ospedaliera Universitaria R.Dulbecco). Tutti i partecipanti saranno sottoposti a esami OCT ad alta risoluzione. Le immagini verranno analizzate sia dal software AI, sia da specialisti in retina, al fine di confrontare le prestazioni dell’algoritmo con la valutazione clinica umana. L’analisi includerà la misurazione del volume e della distribuzione dei fluidi retinici, il conteggio dei foci iperriflettenti e la valutazione dell’integrità delle strutture retiniche centrali. I dati ottenuti verranno confrontati utilizzando parametri statistici standard per valutare la concordanza tra AI e clinici. L’obiettivo è dimostrare l’affidabilità dell’algoritmo, con aspettative di alta accuratezza nella rilevazione dei biomarcatori analizzati. Oltre a confermare la validità dello strumento, il progetto mira anche a individuare diversi fenotipi di edema maculare, legati a risposte differenti alle terapie intravitreali. L’obiettivo è quello di sviluppare modelli predittivi utili per personalizzare il trattamento e migliorare l’outcome visivo. In sintesi, l’integrazione dell’intelligenza artificiale nell’analisi OCT potrebbe rivoluzionare la gestione dell’edema maculare, offrendo valutazioni rapide, oggettive e riproducibili, a supporto di una medicina retinica sempre più precisa e su misura per il paziente.

Il progetto si propone di sviluppare strategie terapeutiche avanzate basate sull’impiego di microRNA (miRNA) con potenziale attività regolatoria in diverse patologie, incluse malattie infiammatorie, neurodegenerative e neoplastiche. L’approccio mira a sfruttare le proprietà dei miRNA come regolatori endogeni dell’espressione genica, al fine di modulare selettivamente pathway cellulari alterati in contesti patologici specifici. In quest’ottica, verranno progettati e sviluppati nanosistemi innovativi per la veicolazione controllata di miRNA terapeutici, formulati mediante tecnologie di produzione avanzata. Tali nanosistemi dovranno garantire stabilità, selettività e sicurezza, oltre che una spiccata efficacia. Le formulazioni realizzate verranno sottoposte a caratterizzazione chimico-fisica e tecnologico formulativa, volte a determinarne le proprietà critiche per l’uso terapeutico (stabilità colloidale, profilo di rilascio, carica superficiale, biocompatibilità, ecc.). Successivamente, saranno valutate le performance biologiche in modelli cellulari in vitro 2D e 3D (inclusi organoidi, co-colture, modelli ricostituiti), per poi passare, laddove possibile, alla validazione in modelli preclinici in vivo. Il progetto si inserisce a pieno titolo nell’ambito della medicina personalizzata, con l’intento di offrire soluzioni terapeutiche modulabili e biocompatibili per patologie complesse e multifattoriali, attualmente prive di trattamenti risolutivi. 

La malattia di Parkinson (PD) è una patologia neurodegenerativa progressiva, caratterizzata dalla perdita di neuroni dopaminergici e dall’accumulo anomalo di α-sinucleina, in particolare sotto forma di oligomeri tossici.

L’identificazione di biomarcatori affidabili è essenziale per migliorare la diagnosi precoce, la prognosi e la differenziazione della PD da altre sindromi parkinsoniane. Negli ultimi anni, crescente attenzione è stata rivolta agli esosomi, piccole vescicole extracellulari rilasciate da cellule neuronali e gliali, che possono veicolare proteine ed RNA, riflettendo i cambiamenti patologici a livello centrale. In particolare, i livelli di α-sinucleina contenuta negli esosomi derivati da siero o plasma rappresenta un potenziale biomarcatore non invasivo per la malattia di Parkinson.

Questo progetto mira a studiare i livelli di α-sinucleina, anche in combinazione con altre proteine di interesse (proteine tau fosforilate e non) negli esosomi isolati da sangue periferico di pazienti con Malattia di Parkinson e parkinsonismi atipici. L’obiettivo del progetto è l’individuazione di un profilo di proteine in grado di supportare in maniera efficace la diagnosi differenziale precoce e il monitoraggio della progressione di queste malattie, con importanti ricadute sulla pratica clinica.

La malattia di Parkinson e i parkinsonismi atipici sono malattie neurodegenerative and alto impatto sociale e la loro incidenza è in aumento nella popolazione. In aggiunta ai sintomi motori, il declino cognitivo è un aspetto importante di tali patologie che può variare da lievi difficoltà attentive ed esecutive fino alla demenza conclamata, soprattutto nelle fasi avanzate della malattia.

I biomarcatori di declino cognitivo rivestono un ruolo molto rilevante nella diagnosi precoce, nel monitoraggio e nella predizione dello sviluppo di declino cognitivo nelle malattie neurodegenerative. Tali marcatori si basano su tecniche di neuroimmagini, come la risonanza magnetica strutturale, o su dosaggi di proteine nei fluidi biologici (proteina tau, beta-amiloide), offrendo informazioni preziose sul rischio di deterioramento cognitivo. Recentemente, anche biomarcatori plasmatici stanno emergendo come strumenti promettenti, meno invasivi ma sensibili indicatori di declino cognitivo. Tali biomarcatori, tuttavia, sono stati ad oggi studiati soprattutto alla malattia di Alzheimer, mentre la loro applicazione nell’ambito della malattia di Parkinson e dei parkinsonismi rimane oggetto di studio.

Questo progetto mira a studiare in dettaglio gli aspetti cognitivi della malattia di Parkinson e dei Parkinsonismi atipici, investigando le relazioni esistenti tra i sintomi clinici, i pattern di atrofia cerebrale valutabili tramite la risonanza magnetica e i livelli di specifiche proteine nei liquidi biologici. Il fine di tale studio è lo sviluppo di nuovi biomarcatori legati alla presenza o allo sviluppo di declino cognitivo nelle sindromi parkinsoniane, che potrebbero fornire informazioni di grande utilità nella pratica clinica

La connettomica è una tecnica di analisi dei dati di imaging a risonanza magnetica (MRI), modella il cervello come un network composto da regioni di interesse (nodes) anatomicamente e/o funzionalmente distinte, e collegate tra loro da fasci di sostanza bianca (edges). Per meglio caratterizzare le relazioni che intercorrono tra nodes ed edges di un network, è possibile pesare le connessioni utilizzando misure caratteristiche del tessuto cerebrale. A tal fine, le mappe quantitative MRI (qMRI) rappresentano la scelta ottimale, in quanto forniscono informazioni dirette riguardo alle proprietà biofisiche e microstrutturali del tessuto. 

Lo scopo di questo progetto sarà quello di ottimizzare e validare un software per la l’analisi di connettomi multimodali, pesati con parametri quantitativi, ai fini di identificare biomarcatori diagnostici e prognostici delle malattie neurologiche. Il percorso progettuale permetterà al dottorando di acquisire conoscenze anatomiche, esperienza nel neuroimaging (strutturale, funzionale e metabolico) e nei metodi di analisi di RM quantitativa.

L’invecchiamento cerebrale è un processo eterogeneo che può deviare precocemente dalla traiettoria fisiologica in presenza di patologie neurodegenerative. Il presente progetto si propone di stimare l’età cerebrale (brain age) in soggetti sani mediante modelli di intelligenza artificiale applicati a dati di neuroimaging, al fine di definire una baseline robusta. In una fase successiva, il progetto indagherà il potenziale della brain age come biomarcatore per la rilevazione precoce di condizioni patologiche quali Alzheimer e Parkinson, valutando gli scostamenti rispetto all’invecchiamento normativo. L’approccio prevede l’impiego di tecniche di AI e metodi di quantificazione dell’incertezza, con l’obiettivo finale di supportare la diagnosi precoce e l’intervento clinico.

L’amiloidosi cardiaca è una condizione potenzialmente letale, causata dalla deposizione extracellulare di proteine amiloidi mal ripiegate nel miocardio, che determina una progressiva insufficienza cardiaca e l’insorgenza di aritmie. Tra le principali forme cliniche, l’amiloidosi da transtiretina (ATTR) rappresenta un’entità sempre più riconosciuta, caratterizzata dalla produzione e deposizione di transtiretina instabile, di origine epatica, a livello del tessuto cardiaco. Nonostante i recenti progressi diagnostici e una maggiore consapevolezza clinica, i meccanismi cellulari e molecolari alla base dell’amiloidosi ATTR rimangono poco compresi, soprattutto per la mancanza di modelli umani fisiologicamente rilevanti.

I recenti sviluppi nel campo degli organoidi derivati da cellule staminali pluripotenti indotte umane (hiPSC) offrono un’opportunità senza precedenti per modellare malattie complesse in un contesto tridimensionale e specifico per il paziente. Gli organoidi cardiaci riproducono l’architettura cellulare e le proprietà funzionali del miocardio umano, mentre gli organoidi epatici possono replicare l’origine della transtiretina nell’amiloidosi ATTR. Lo sviluppo degli assembloidi—sistemi ingegnerizzati che combinano diversi organoidi—apre nuove prospettive per lo studio delle interazioni inter-organo nella patologia umana.

Questo progetto di dottorato sarà specificamente focalizzato sull’amiloidosi da transtiretina (ATTR) e propone la generazione e l’impiego di organoidi cardiaci e assembloidi cuore-fegato per indagarne la patogenesi molecolare, con l’obiettivo di identificare i principali pathway cellulari coinvolti, le interazioni tra tessuti e potenziali target terapeutici.

Gli obiettivi principali del progetto sono:

• Generare e caratterizzare organoidi cardiaci che riproducano le caratteristiche della deposizione amiloide e della disfunzione miocardica.
• Sviluppare e ottimizzare assembloidi cuore-fegato per modellare la produzione di transtiretina e il suo impatto patologico sul tessuto cardiaco.
• Analizzare i meccanismi cellulari e molecolari della cardiotossicità indotta da transtiretina attraverso transcriptomica a singola cellula, proteomica e imaging in tempo reale.
• Valutare l’efficacia di interventi terapeutici candidati nel prevenire o invertire il danno da transtiretina nei modelli di organoidi.

Questo progetto fornirà una piattaforma innovativa basata su organoidi e assembloidi umani per lo studio dell’amiloidosi ATTR, offrendo nuove conoscenze sui meccanismi di inizio e progressione della malattia. I risultati potrebbero portare all’identificazione di nuovi biomarcatori e strategie terapeutiche, aprendo la strada ad applicazioni traslazionali in ambito di medicina personalizzata.

Le malattie cardiovascolari (CVD) rappresentano la principale causa di morte a livello globale. La stratificazione del rischio e la personalizzazione della terapia richiedono strumenti diagnostici sempre più raffinati. Negli ultimi anni, l’integrazione di biomarcatori emergenti (molecolari, imaging, e digitali) con tecnologie avanzate, come l’intelligenza artificiale (AI), ha aperto nuove prospettive per migliorare la predizione degli eventi e l’efficacia dei trattamenti. Il progetto ha come obiettivo la validazione clinica e computazionale di nuovi biomarcatori cardiovascolari, con particolare attenzione a:

   • Biomarcatori molecolari: come microRNA, RNA circolari e marcatori infiammatori associati all’aterotrombosi, all’infarto miocardico acuto ed alle malattie del cuore;
   • Biomarcatori di imaging: inclusi parametri avanzati ottenuti mediante ecocardiografia, angiografia, tomografia computerizzata coronarica e risonanza magnetica cardiaca;
   • Biomarcatori digitali e AI-driven: mediante applicazione di modelli di deep learning per l’analisi automatizzata di immagini cardiache e predizione di eventi clinici.

Il progetto si svolgerà prevalentemente presso il Dipartimento di Scienze Mediche e Chirurgiche dell’Università Magna Graecia di Catanzaro con possibilità di svolgere una parte del progetto presso altri centri coi quali esistono collaborazioni consolidate, anche coinvolgendo una coorte prospettica di pazienti con diverse manifestazioni cardiovascolari (sindrome coronarica acuta, scompenso cardiaco, valvulopatie). I dati saranno raccolti mediante protocolli standardizzati, e le analisi statistiche comprenderanno modelli predittivi multivariati e approcci di machine learning.
L’obiettivo è duplice: da un lato, validare l’efficacia clinica di biomarcatori innovativi e combinati nella previsione degli outcome cardiovascolari; dall’altro, sviluppare un modello predittivo integrato per la medicina di precisione, capace di guidare la scelta terapeutica in maniera personalizzata al fine di migliorare l’efficacia e la sicurezza dei trattamenti.