In Silico Platform for Accelerated Drug and Vaccine Development, Assessment, and Repositioning in Pandemic and Emergency Scenarios [Piattaforma In Silico per lo Sviluppo Accelerato, la Valutazione e il Riposizionamento di Farmaci e Vaccini in Scenari di Pandemia ed Emergenza]

The COVID-19 pandemic has exposed critical gaps in global pandemic preparedness, highlighting the need for rapid and proactive strategies to counter emerging infectious diseases. Both COVID-19 and influenza continue to pose significant threats, with the potential to spark future pandemics. Influenza, particularly avian strains like H5N1, remains a substantial risk due to its high mutation rate and capacity for zoonotic spillover. The swift global spread of COVID-19 has demonstrated the need for comprehensive preparedness against similar or even more severe pandemics. Given the unpredictability and rapid evolution of these viruses, robust systems for early detection, variant prediction, and vaccine development are essential. This thesis proposes a dual-pronged approach to address these gaps through computational modeling: predicting Variants of Concern (VOCs) using genetic algorithms (GA) and developing an efficient vaccine discovery pipeline for future pandemics, specifically targeting H5N1. The first objective focuses on using genetic algorithms to predict potential SARS-CoV-2 variants by optimizing the 3D structures of mutated spike proteins. This GA-based approach simulates evolutionary pressures to identify mutations that could enhance transmissibility and immune evasion, providing valuable insights into potential VOCs before they emerge. Advanced metrics, including Gibbs free energy, binding affinity, and optimized protein energy scores, are utilized to assess the most concerning future variants and to understand their structural and functional characteristics. The second objective involves creating a rapid-response vaccine pipeline for H5N1 using a reverse vaccinology approach. This process includes identifying T-cell and B-cell epitopes, assessing their immunogenic potential, and evaluating their efficacy through the Universal Immune System Simulator (UISS). The in silico platform allows for the rapid assessment of immune responses, accelerating vaccine formulation, testing, and optimization in a simulated environment. Together, these two strategies present an integrated solution for future pandemic preparedness by combining predictive modeling for variant detection with a streamlined vaccine development process. The main objective of this thesis is to bridge the gap in pandemic preparedness by ensuring rapid prediction of new viral threats and swift vaccine development capabilities. The findings demonstrate the potential of IN SILICO platforms to significantly accelerate the identification of emerging threats and the development of effective medical countermeasures, thereby enhancing global health resilience in times of crisis.

La pandemia di COVID-19 ha evidenziato gravi lacune nella preparazione globale alle pandemie, sottolineando la necessità di strategie rapide e proattive per contrastare le malattie infettive emergenti. Sia il COVID-19 che l'influenza continuano a rappresentare minacce significative, con il potenziale di innescare future pandemie. L'influenza, in particolare i ceppi aviari come l'H5N1, rappresenta un rischio considerevole a causa dell'elevato tasso di mutazione e della capacità di “spillover” zoonotico. La rapida diffusione globale del COVID-19 ha dimostrato la necessità di una preparazione completa contro pandemie simili o addirittura più gravi. Data l'imprevedibilità e la rapida evoluzione di questi virus, sistemi robusti per la rilevazione precoce, la previsione delle varianti e lo sviluppo di vaccini sono essenziali. Questa tesi propone un approccio a doppio binario per affrontare queste lacune attraverso la modellazione computazionale: prevedere le Varianti di Interesse (VOCs) utilizzando algoritmi genetici (GA) e sviluppare un'efficiente pipeline di scoperta di vaccini per future pandemie, con particolare attenzione al virus dell’influenza aviaria e il suo sottotipo H5N1. Il primo obiettivo si concentra sull'uso di algoritmi genetici per prevedere potenziali varianti di SARS-CoV-2 ottimizzando le strutture tridimensionali delle proteine spike mutate. Questo approccio basato su GA simula le pressioni evolutive per identificare mutazioni che potrebbero aumentare la trasmissibilità e l'evasione immunitaria, fornendo preziose informazioni sulle potenziali VOC prima che emergano. Vengono utilizzate metriche avanzate, tra cui l'energia libera di Gibbs, l'affinità di legame e i punteggi di energia proteica ottimizzati, per valutare le varianti future più preoccupanti e comprendere le loro caratteristiche strutturali e funzionali. Il secondo obiettivo prevede la creazione di una pipeline di risposta rapida per i vaccini contro l'H5N1 utilizzando un approccio di vaccinologia inversa. Questo processo include l'identificazione di epitopi T e B cellulari, la valutazione del loro potenziale immunogenico e la verifica della loro efficacia tramite il simulatore del sistema immunitario universale (UISS). La piattaforma in silico consente una valutazione rapida delle risposte immunitarie, accelerando la formulazione, il test e l'ottimizzazione dei vaccini in un ambiente simulato. Insieme, queste due strategie presentano una soluzione integrata per la preparazione alle future pandemie, combinando la modellazione predittiva per il rilevamento delle varianti con un processo semplificato di sviluppo dei vaccini. L'obiettivo principale di questa tesi è colmare il divario nella preparazione alle pandemie garantendo una rapida previsione delle nuove minacce virali e una pronta capacità di sviluppo dei vaccini. I risultati dimostrano il potenziale delle piattaforme in silico di accelerare significativamente l'identificazione delle minacce emergenti e lo sviluppo di contromisure mediche efficaci, migliorando così la resilienza della salute globale in tempi di crisi.