Decodificare il dialogo ospite-microbioma con modelli di base biologici

Recentemente è stato pubblicato l’articolo che segue. Perché riteniamo sia molto interessante, lo riprendiamo per Chi non ha avuto modo o tempo per leggerlo.

Perché le terapie basate sul microbioma spesso non riescono a replicare nei pazienti le promesse precliniche? Una recente revisione ( Gut , giugno 2026) ha osservato che, al di là del trapianto di microbiota fecale per l’infezione ricorrente da Clostridioides difficile, gli interventi mirati al microbioma non hanno ancora soddisfatto le elevate aspettative, evidenziando un persistente collo di bottiglia nella traslazione clinica. La ricerca sul microbioma ha avuto molto più successo nell’identificare associazioni che nel determinare le funzioni microbiche meccanicistiche. L’intelligenza artificiale (IA) potrebbe offrire una via d’uscita.

Il microbioma non è semplicemente un catalogo di specie, ma un ampio sistema di segnalazione i cui effetti sono mediati da metaboliti, strutture di superficie cellulare, proteine ​​secrete e piccoli peptidi. Tuttavia, molti geni che codificano queste molecole rimangono non caratterizzati, spesso definiti ” materia oscura microbica funzionale” . La questione centrale non è quindi più semplicemente quali microbi siano presenti, ma quali funzioni microbiche siano attive e in che modo la genetica dell’ospite, il contesto immunitario e la tempistica ne influenzino l’impatto.

Come evidenziato in una revisione pubblicata su Lancet Microbe (maggio 2026), l’intelligenza artificiale potrebbe contribuire a spostare la ricerca sul microbioma dalla profilazione descrittiva delle comunità alla modellazione predittiva. I modelli di base biologici offrono un modo per decifrare questo livello nascosto. Proprio come i modelli linguistici di grandi dimensioni apprendono schemi nel linguaggio umano, questi modelli apprendono rappresentazioni da sequenze proteiche o genomiche. I ricercatori possono ora andare oltre l’omologia classica e dedurre cosa potrebbe fare una proteina microbica dalle regolarità statistiche incorporate nella sua sequenza. Evo2 (Nature, marzo 2026), un modello di base genomico addestrato su trilioni di nucleotidi in tutti i domini della vita, ha illustrato come tali approcci possano prevedere proprietà funzionali su larga scala. Modelli peptidici più mirati, pubblicati da Cheng e colleghi (Nature Communications , agosto 2024) e da Hou e colleghi ( Science Advances , marzo 2025), si sono orientati verso la progettazione di peptidi antimicrobici, generando candidati attivi contro patogeni multiresistenti in modelli murini.

Comprendere l’intersezione tra il microbioma e l’immunità dell’ospite è un’altra interessante applicazione degli approcci assistiti dall’intelligenza artificiale. In uno studio del 2025 pubblicato su eBioMedicine , Ma e colleghi hanno analizzato oltre 300.000 genomi microbici umani alla ricerca di peptidi che si prevedeva mimassero la glicoproteina mielinica degli oligodendrociti (MOG), un antigene del sistema nervoso centrale bersaglio delle cellule T nelle malattie demielinizzanti autoimmuni. Combinando la modellazione basata su AlphaFold con il docking peptide-MHC-TCR, gli autori hanno identificato potenziali mimetici microbici. Tra questi, P3 è risultato in grado di attivare le cellule T CD4 ⁺ specifiche per MOG e di aumentare la neuroinfiammazione autoimmune nei topi. Questa scoperta fornisce un esempio meccanicistico di come peptidi microbici precedentemente non caratterizzati possano modellare le risposte immunitarie dell’ospite. Tali previsioni a livello di candidato diventano più informative se inserite in un contesto genomico. Un modello di linguaggio genomico ( Nature Communications , aprile 2024), addestrato su milioni di scaffold metagenomici, ha appreso le relazioni funzionali e la co-regolazione a livello di operone tra geni vicini.

Tuttavia, l’entusiasmo per tali modelli deve essere trattato con cautela. Studi di benchmarking (Nature Communications , novembre 2025) hanno rilevato che le prestazioni dei modelli di base del DNA dipendono fortemente dal compito, con chiari compromessi. Sebbene i modelli di base possano superare le reti neurali convoluzionali convenzionali in alcuni compiti di classificazione del genoma, le loro prestazioni risultano inferiori nelle previsioni multispecie ed epigenetiche, dove è richiesta un’ottimizzazione specifica per il compito. Tali limitazioni possono essere particolarmente rilevanti nella ricerca sul microbioma, dove la contaminazione, la bassa biomassa e il campionamento non uniforme rimangono delle sfide.

Inoltre, la genetica dell’ospite aggiunge un ulteriore livello di complessità. In uno studio di coorte, Ludvigsson e colleghi (Nature Communications , agosto 2019) hanno dimostrato che gli alleli HLA di classe II sono associati ad alterazioni microbiche e al rischio di malattie autoimmuni. Inoltre, Xavier e colleghi (Immunity , ottobre 2022) hanno dimostrato che i peptidi microbici inducono risposte delle cellule T diverse a seconda del background genetico dell’ospite e del contesto immunitario. Sebbene non si tratti di studi basati su modelli biologici, questa ricerca evidenzia la profonda eterogeneità dell’ospite che i modelli biologici di base devono necessariamente cogliere se mirano a prevedere le interazioni ospite-microbo con rilevanza clinica.

Colmare il divario tra le previsioni in silico e la rilevanza biologica richiede anche nuovi sistemi sperimentali. I microbi ingegnerizzati, comprese le piattaforme probiotiche, offrono una possibile direzione. Wang e colleghi (Science Advances, novembre 2025) hanno dimostrato che un probiotico ingegnerizzato per rilasciare un peptide che potenzia il GLP-1 ha migliorato la funzionalità intestinale e ridotto la colite nei topi. Tali microbi ingegnerizzati potrebbero fungere da banco di prova per valutare i peptidi progettati dall’intelligenza artificiale direttamente nei tessuti dell’ospite. Anche le co-colture di microbioma organoide, la profilazione immunitaria spaziale e lo screening antigenico ad alto rendimento saranno essenziali per ancorare le previsioni computazionali alla realtà biologica.

I futuri modelli biologici di base richiederanno un’attenta integrazione con la validazione sperimentale, la considerazione dell’eterogeneità dell’ospite e standard di rendicontazione chiari. L’obiettivo non è semplicemente generare ipotesi, ma decifrare l’interazione molecolare tra l’attività microbica, l’immunità e la fisiologia dell’ospite. Noi di eBioMedicine incoraggiamo gli studi che integrano modelli di base con una solida validazione in sistemi umani, animali o organoidi, in particolare gli studi che vanno oltre la semplice associazione per mostrare come specifici segnali microbici vengono interpretati e su cui l’ospite reagisce.

eBioMedicine. Decoding the host-microbiome dialogue with biological foundation models. EBioMedicine. 2026 Jul;129:106394. doi: 10.1016/j.ebiom.2026.106394. PMID: 42419827.