Approccio multi-omico ai fini della medicina personalizzata

Translational Precision Medicine is a rapidly evolving area of biomedical research that aims to convert the transfer of scientific discoveries into the clinical practices and precision medicine. In the last years, the development of the Precision Medicine has globally revolutionized the research suggesting a new point-of-view in the therapeutic choices. Indeed, the historical concept of the “one-size-fits-all” approach is totally replaced by a patient-centric view that takes into account individual differences in subjects. In this way, the therapeutic choices are driven by the identification of specific predictive biomarkers of response to avoid ineffective therapies and reduce adverse effects. On one hand, The advances in Next Generation sequencing and high-throughput techniques have enabled the generation of a vast amount of omics data. On the other hand, the huge amount of big data imposes great challenges in data integration, data mining and knowledge discovery due to its complexity. For this reason, new methods must be created to improve the analysis of big data. Consequently in this thesis we are going to introduce (i) COMBO, a pipeline for the integration and analysis of different omics data, (ii) the influence of IWS1 protein in lung cancer adenocarcinoma, (iii) a benchmark analysis of seven tools for detecting fusion events generated from read-through mechanism and (iv) a new framework for the drug response prediction.

La Medicina di Precisione Traslazionale è un'area in rapida evoluzione della ricerca biomedica che ha lo scopo di convertire le scoperte scientifiche in pratiche cliniche e medicina di precisione. Negli scorsi anni, lo sviluppo della Medicina di Precisione ha globalmente rivoluzionato la ricerca suggerendo un nuovo punto di vista nelle scelte terapeutiche. In effetti, il concetto storico dell'approccio "one-size" è stato totalmente sostituito da una visione incentrata sul paziente che tiene conto delle differenze individuali nei soggetti. In questo modo le scelte terapeutiche sono guidate dall'identificazione di specifici biomarcatori predittivi di risposta per evitare terapie inefficaci e ridurre gli effetti avversi. Da un lato, i progressi nelle tecnologie di sequenziamento e nelle tecniche high-throughput hanno consentito la generazione di una grande quantità di dati omici. D'altra parte, l'enorme quantità dati impone grandi sfide nell'integrazione dei dati, nel data mining e nell'identificazione di nuove informazioni, a causa della sua complessità. Per questo motivo è necessario creare nuovi metodi per migliorare l'analisi dei big data. Di conseguenza in questa tesi introdurremo (i) COMBO, una pipeline per l'integrazione e l'analisi di diversi dati omici, (ii) l'influenza della proteina IWS1 nell'adenocarcinoma del cancro del polmone, (iii) una benchmark analysis di sette tools per la rilevazione eventi di fusione generati dal meccanismo di read-through e (iv) un nuovo framework per la previsione della risposta ai farmaci.