ORFEO e DEVIL: Trieste rivoluzione analisi genomica

Tre milioni di euro di fondi PNRR, acceleratori grafici di ultima generazione, e un team di ricerca che sapeva esattamente cosa farne.

Quando Area Science Park ha potenziato Orfeo (Open Research Facility for Epigenomics and Other), la sua piattaforma di supercalcolo nata nel 2020 nel campus di Basovizza, non stava semplicemente aggiornando un’infrastruttura. Stava creando le condizioni per un tipo di ricerca che prima, a Trieste come altrove, non era praticabile.

Devil (Differential Expression with Variational Inference Learning) è il risultato più recente e più emblematico di quella scommessa. Illustrato su Nature Communications, è uno strumento che risolve un problema statistico aperto da trent’anni nella genomica a singola cellula, e lo fa su una scala computazionale fino a ieri inaccessibile. Risultato che è frutto della collaborazione con Università di Trieste, SISSA e Human Technopole.

Il problema che nessuno aveva risolto

La storia comincia da un’esigenza biologica concreta. Due pazienti con la stessa diagnosi di tumore al polmone possono avere malattie profondamente diverse: uno ha lavorato per decenni in un cantiere navale, esposto a sostanze tossiche; l’altro ha passato la vita in biblioteca. La genetica individuale, l’esposizione ambientale, la storia di ciascuno lasciano tracce nel modo in cui le cellule tumorali si comportano.

Per questo la ricerca oncologica ha bisogno di confrontare le cellule di centinaia, migliaia di individui contemporaneamente, separando quello che è davvero legato alla malattia da quello che è semplicemente variabilità individuale.

«Essendo molto eterogenea nella sua concezione, è chiaro che pensare di aver visto pochi pazienti cozza con l’idea stessa di malattia oncologica», spiega Giulio Caravagna, professore associato al dipartimento di Matematica, Informatica e Geoscienze dell’Università di Trieste e coordinatore del lavoro.

Il problema è che farlo correttamente, su larga scala, era fino a oggi una criticità irrisolta. La genomica a singola cellula – tecnologia che permette di leggere l’attività di ogni gene in ogni cellula separatamente, anziché misurare una media di massa – ha rivoluzionato la biologia molecolare degli ultimi anni. Ma ha anche introdotto una complicazione statistica non banale.

Le migliaia di cellule estratte dallo stesso paziente non sono osservazioni indipendenti, perché condividono lo stesso DNA, lo stesso ambiente, la stessa storia clinica. Trattarle come campioni separati – come facevano tutti i metodi esistenti – equivale a intervistare cento volte la stessa persona spacciandola per cento persone diverse. Il risultato? Falsi positivi, geni segnalati come significativi quando non lo sono, o segnali biologici reali che scompaiono nel rumore.

«Non è che non esisteva la matematica per farlo», precisa Caravagna. «Era difficile farlo in maniera efficiente. E quando hai a disposizione i dati di 250 mila pazienti e vorresti mettere tutto insieme, diventa particolarmente importante saperlo fare correttamente e velocemente».

Una sfida computazionale e una statistica

Il punto è che capire quali geni sono attivi nelle cellule è una delle chiavi per comprendere le malattie e sviluppare nuove terapie. Oggi le tecnologie più avanzate consentono di misurare l’attività genica in milioni di cellule, generando una quantità di dati senza precedenti per la ricerca biomedica. Ma questa rivoluzione porta con sé due grandi questioni: da un lato il rischio di errori nell’interpretazione dei dati, dall’altro la difficoltà di analizzare volumi così elevati di informazioni.

La prima sfida è computazionale: analizzare milioni di cellule richiede una potenza di calcolo enorme. I metodi tradizionali sono troppo lenti e consumano troppa memoria per gestire questi volumi: un collo di bottiglia che rischia di vanificare il vantaggio delle nuove tecnologie di raccolta dati.

La seconda sfida è statistica. Le cellule prelevate dallo stesso paziente si somigliano tra loro più di quanto si somiglino le cellule di pazienti diversi. Ignorare questo fatto può portare a conclusioni statistiche distorte.

Come funziona Devil

Devil, che è stato sviluppato anche grazie al sostegno di Fondazione AIRC, affronta il problema riconoscendo esplicitamente la gerarchia nei dati: le cellule dello stesso paziente vengono trattate come dipendenti tra loro, mentre i pazienti restano indipendenti gli uni dagli altri. L’analisi viene condotta al livello degli individui.

A questa correzione statistica si aggiunge una scelta metodologica precisa: l’approccio bayesiano, che non produce una stima secca ma associa a ogni risultato una misura di affidabilità, permettendo di separare i segnali robusti da quelli incerti e, come sottolinea Leonardo Egidi, statistico dell’Università di Trieste e co-supervisore del lavoro, rende DEVIL un protocollo computazionale particolarmente efficiente.

«La differential expression, cioè l’analisi statistica che identifica quali geni sono significativamente più o meno attivi tra due o più condizioni biologiche diverse è una tecnologia matura. Tuttavia, il passaggio al single-cell ha introdotto problemi statistici e computazionali che rendono complessa l’analisi integrata di grandi coorti di pazienti. Il nostro lavoro – puntualizza Caravagna – nasce proprio per risolvere questo collo di bottiglia, combinando innovazione metodologica e calcolo ad alte prestazioni per poter analizzare milioni di cellule da centinaia di pazienti».

Hardware, software e brainware

È sul piano computazionale che entra in gioco Orfeo. Grazie a un’architettura che sfrutta più unità grafiche in parallelo – le stesse usate per addestrare i modelli di intelligenza artificiale – Devil è fino a quaranta volte più veloce dei metodi concorrenti sui dataset più grandi, e analizza dieci milioni di cellule in meno di due ore, con un consumo di memoria tre volte inferiore.

«Abbiamo speso tre milioni di euro per potenziare le capacità di calcolo e storage di Orfeo», racconta Stefano Cozzini, direttore dell’Istituto Ricerca e Innovazione Tecnologica di Area Science Park. «In particolare abbiamo potenziato la parte GPU, le unità grafiche che servono per gli algoritmi di intelligenza artificiale. Se utilizzate al meglio riescono a offrire grandi performance, cosa che si è verificata puntualmente nel caso di Devil».

Cozzini dice che il risultato è stato reso possibile grazie all’ecosistema computazionale di Orfeo, inteso come un mix di tre componenti: hardware, software e «brainware», quest’ultima riferita in particolare alle competenze dei dottorandi Giovanni Santacatterina e Niccolò Tosato, primi autori del paper, che hanno saputo tradurre le equazioni statistiche nel linguaggio delle megamacchine (nella foto insieme a Stefano Cozzini, Giulio Caravagna e Leonardo Egidi).

«Portare un algoritmo su una macchina del genere e ottenere risultati davvero notevoli non è automatico – spiega Cozzini -: richiede un lavoro di ottimizzazione e parallelizzazione che solo la disponibilità dei sistemi di nuova generazione ha reso possibile».

La forza della sinergia

Il punto, dice Caravagna, è che questo lavoro non sarebbe nato senza la convergenza di competenze molto diverse: il problema biologico, la statistica bayesiana, l’ingegneria del calcolo ad alte prestazioni. «Non avremmo potuto ottenere questo risultato se non insieme: loro avevano una macchina ma noi avevamo un problema e un modello».

Cozzini vede la collaborazione non come fortunata congiuntura ma come un modello replicabile: Area Science Park finanzia dottorati in collaborazione con l’Università di Trieste, e i due primi autori del paper, Giovanni Santacatterina e Niccolò Tosato, hanno lavorato a stretto contatto con i laboratori di Area.

«Abbiamo consolidate collaborazioni con l’Università di Trieste, con la SISSA, con altri enti del sistema triestino», puntualizza Cozzini. «Orfeo sta diventando quello che mi piace chiamare un ecosistema digitale completo su cui sviluppare e fare scienza di un certo livello».

Già in uso, già open

Devil è già in uso su dataset oncologici, ed è stato rilasciato come pacchetto open source gratuito, a disposizione di laboratori e ospedali di tutto il mondo, aprendo la strada a una nuova generazione di analisi genomiche su larga scala per lo studio di tumori, malattie degenerative e per lo sviluppo della medicina personalizzata.

La direzione è quella dei cosiddetti atlanti del cancro, studi con centinaia di pazienti e milioni di cellule, che è esattamente lo scenario per cui è stato costruito. La riduzione dei costi di sequenziamento, sottolinea Caravagna, sta rendendo disponibili quantità di dati sempre più grandi, e strumenti capaci di gestirle diventano indispensabili.

Orfeo intanto si prepara a un nuovo upgrade. Cozzini prevede che la gara di approvvigionamento uscirà a brevissimo: Orfeo 3 dovrebbe essere operativo entro fine anno. Il potenziamento è pensato anche per aprire l’infrastruttura alle piccole e medie imprese innovative del territorio – un progetto già avviato con HPC4SME, iniziativa che favorisce l’utilizzo delle infrastrutture HPC da parte delle aziende, e con Deep Tech Revolution, il programma con cui Area Science Park ha aperto i propri laboratori e infrastrutture a startup selezionate da tutta Italia, otto delle quali hanno già richiesto accesso a Orfeo.

L’idea è quella del test before invest: usare il calcolo ad alte prestazioni per verificare la fattibilità di un’idea prima di investirci risorse. «E la capacità di attrazione di Orfeo come strumento di calcolo scientifico e di intelligenza artificiale sta ricevendo un grande interesse da parte delle piccole e medie imprese», conclude Cozzini.