LearningFromSheep – Joint Chair

Il progetto di ricerca congiunto LearningFromSheep, prevede l’utilizzo di modelli avanzati di deep learning per lo sviluppo di un sistema innovativo per il conteggio delle cellule somatiche differenziali – indicatore essenziale per valutare la qualità del latte e lo stato di salute della mammella dell’animale – e per automatizzare l’analisi delle immagini da microscopio, così eliminando la necessità di conteggi manuali e riducendo drasticamente i tempi di elaborazione dei dati.

FREECLIMB - Fruit Crops Resilience to Climate Change in the Mediterranean Basin

Il progetto FREECLIMB intende rispondere agli obiettivi del programma PRIMA (Sect. 2) di HORIZON 2020 (EU Research Framework) per lo sviluppo di sistemi agricoli innovativi e sostenibili nell’area Mediterranea, che preservino le risorse naturali (acqua ed uso di suolo) attraverso un aumento dell’efficienza produttiva. Ciò verrà perseguito aumentando la conoscenza sui meccanismi con cui le piante si adattano all’ambiente e resistono agli stress biotici ed abiotici. Il progetto FREECLIMB include le più importanti specie arboree del Mediterraneo, con l’obiettivo di incrementare la disponibilità di germoplasma e varietà adatte ad usare risorse esterne limitate (input) e ad adattarsi agli scenari climatici futuri predetti per l’area mediterranea, attraverso la caratterizzazione e l’utilizzo della biodiversità locale. Il progetto si concentrerà su ideotipi chiave elaborati in collaborazione con i coltivatori di frutta (Fruit Farming Actors -FFAs, breeders, vivaisti, coltivatori) con lo scopo principale di fornire germoplasma, metodi e strumenti per accelerare lo sfruttamento, il miglioramento genetico e la selezione di varietà resilienti per le più importanti specie arboree mediterranee (frutti con seme come pesca, albicocca e mandorla, agrumi, uva ed olive).

RABoLa - Strategie sostenibili per ridurre l’impiego di antibiotici nell’allevamento delle bovine da latte

Il progetto, che vede il coinvolgimento di diversi dipartimenti dell’Università degli Studi di Milano (DISAA, DIMEVET, VESPA), dei ricercatori del CNR ISPA e CNR IBBA e del Dipartimento DIANA dell’Università Cattolica del Sacro Cuore di Piacenza, ha come obiettivo primario l’individuazione di pratiche operative che consentano la riduzione dell’uso di antibiotici nell’allevamento delle bovine da latte. Nel corso della ricerca verranno validati protocolli operativi (somministrazione di Aloe arborescens, impiego di batteriocina di Lactococcus lactis subsp. cremoris in pre e post dipping, molecole per inibire Prototheca spp) già testati in via preliminare con risultati positivi intervenendo nell’intero ciclo di lattazione delle bovine.

Il successo del progetto RABoLa consentirà agli allevatori di usufruire di nuove strategie nutraceutiche e alternative all’uso di antibiotici, per potenziare le difese innate degli animali e ridurre l’incidenza e la gravità delle mastiti. La validazione di un efficace protocollo per la messa in asciutta selettiva degli animali porterebbe così all’immediata riduzione dell’impiego preventivo di antibiotici, in linea con quanto richiesto a livello europeo e mondiale.

PNRR 2022 POLYPLOIDBREEDING 4.0 - Expanding the toolbox for cereal breeding: high-throughput genomics, 2D-3D phenomics and artificial intelligence for breeding with increasing genome complexity, from barley to durum and bread wheat

Il progetto si occuperà di metodi per il miglioramento genetico dei cereali basati sulla tecnologia (breeding 4.0) in specie diploidi (orzo, Hordeum vulgare) e poliploidi (grano duro e tenero: Triticum durum, T. aestivum), al fine di incrementare la produzione cerealicola in maniera sostenibile e adattandosi ai cambiamenti climatici. Le tecnologie usate sono fenotipizzazione (tramite droni e rizotroni) e genotipizzazione (SNP array, exome sequencing, GBS) high-throughput, e l’intelligenza artificiale. I fenotipi prodotti includeranno la resa, la morfometria, immagini ottenute automaticamente da droni e rizotroni (2D e 3D). Metodi di machine learning, soprattutto reti neurali e deep learning, saranno usati per sviluppare modelli di predizione fenotipica e genomica.

Sheep-TreeSeq: Analisi scalabile della diversità genetica ovina usando alberi (grafi) di sequenze genomiche

Sheep-TreeSeq applicherà la metodologia innovativa degli alberi di sequenze genomiche (grafi) per l’analisi scalabile della diversità genetica ovina.

L’innovazione tecnologica in agricoltura ha reso disponibili grandi dataset di dati genomici (“big data”) che rappresentano una sfida per l’immagazzinamento e l’analisi dei dati, es. il mero volume dei dati, la rapida generazione di nuovi dati (aggiornamento, applicazioni in streaming), e l’eterogeneità delle fonti (integrazione di dati da diverse piattaforme di sequenziamento). Gli algoritmi a grafo (alberi di sequenze) offrono un modo eccellente per affrontare questa sfida, fornendo una compressione dei dati senza perdita d’informazione, ed una nuova rappresentazione dei dati genomici. Ad esempio, l’applicazione degli alberi di sequenza ai dati del 1000 Bull Genome Project ha permesso di ottenere una compressione del 90%, riducendo la dimensione dei dati da ~800 GB a 45 GB.

Per il progetto Sheep-TreeSeq useremo circa 3500 sequenze ovine complete e oltre 50,000 genotipizzazioni (~10 TB di dati). Il nostro piano è di applicare l’approccio degli alberi di sequenze per comprimere questi dati ed ottenere una rappresentazione dei dati adatta all’analisi demografica e di genetica di popolazioni: i) analisi delle componenti principali e nearest-neighbor clustering; ii) indice di fissazione e misura della differenziazione genetica; iii) metodi di clustering basati sulle reti neurali; iv) analisi delle runs of homozygosity (ROH) e delle heterozygosity-rich regions (HRR).

È la prima volta che questo approccio è applicato alla genetica ovina.

PNRR AGRITECH (SPOKE 1) - Plant, animal and microbial genetic resources and adaptation to climatic changes

La resilienza degli ecosistemi agricoli e forestali sotto condizioni stressanti generate dai cambiamenti climatici (CC) richiede la valorizzazione e lo sfruttamento delle risorse genetiche attraverso strategie di conservazione all’avanguardia, combinate con una caratterizzazione approfondita dei genomi e fenotipizzazione ad alto rendimento.

Le attività includeranno il sequenziamento massivo di accessi/razze/ceppi, una descrizione estensiva dei genomi basata su marcatori, l’elucidazione del (pan)genoma, la fenotipizzazione approfondita e la caratterizzazione multi-omics.

Le informazioni risultanti, processate attraverso metodi avanzati per l’analisi/interpretazione/archiviazione/gestione di dati complessi, metteranno in evidenza gli alleli/haplotipi superiori, identificheranno interazioni benefiche in una varietà di condizioni e definiranno unità di conservazione.

DeepMicroCore: usare la potenza dell’intelligenza artificiale per identificare il core microbioma

In DeepMicroCore svilupperemo modelli a reti neurali (DNN: deep neural networks) per predire il substrato (specie, tessuto), il periodo (stadio fisiologico, tempo sperimentale) e il luogo di origine, dai dati di microbioma.

Ci riferiamo, nello specifico, ai dati di sequenziamento 16S/18S/ITS rRNA-gene (metatassonomica).

I modelli predittivi saranno ottimizzati per massimizzare l’accuratezza di predizione tramite cross-validation. Da questi modelli potremo poi ricavare l’importanza delle variabili usate, i.e. le OTU/ASV più rilevanti per la predizione.

Le variabili estratte in questo modo dai modelli predittivi ci permetteranno di identificare il core microbioma: per esempio, con i dati di microbioma umano o animale da vari tessuti (intestino, pelle, latte) raccolti in diverse zone geografiche costruiremo una rete neurale in grado di predire accuratamente da quale tessuto e località proviene ogni campione.

Quindi, estraendo da questa rete neurale le variabili rilevanti per la predizione identificheremo il core microbioma di intestino, o pelle, o latte. Il core microbioma sarà composto da quelle specie microbiche che discriminano i diversi tessuti: alcune specie saranno comuni a più di un microbioma, e saranno identificate da confronti specifici (e.g. predizioni uno-contro-tutti).

PROB-AI: Identificazione di nuovi probiotici mediante algoritmi di intelligenza artificiale a partire dalle sequenze genomiche batteriche

L’obiettivo del progetto PROB-AI è di addestrare algoritmi di intelligenza artificiale (machine learning: ML) utilizzando un set ridotto di probiotici confermati, per poi individuare nuovi potenziali probiotici tra tutti i batteri le cui sequenze genomiche sono depositate in database pubblici o progetti di ricerca.

Tali risultati computazionali aiuteranno i ricercatori a valutare le caratteristiche comuni ai microrganismi probiotici e non probiotici, consentendo l’identificazione di nuove specie batteriche da utilizzare nei campi biomedico e farmaceutico.

Inoltre, PROB-AI validerà sperimentalmente le predizioni in silico, convalidandole in vitro e in vivo, ed individuando le caratteristiche fondamentali in grado di discriminare i simbionti dagli organismi patogeni nel tratto gastrointestinale umano. L’uso del ML per identificare accuratamente nuovi probiotici rappresenta un approccio estremamente innovativo, ancora poco esplorato in questo campo.

STM (Short-term Mobility) - To impute or not impute, a problem of missing data

Questo progetto STM (Short-term Mobility) è una collaborazione con il Dipartimento di Bioscienze dell’Università di Cardiff (UK), per esplorare l’efficienza dell’imputazione di dati mancanti in diverse specie animali e vegetali, in casi-studio di dimensione campionaria relativamente piccola, con grandi proporzioni di dati mancanti e popolazioni eterogenee.

La rivoluzione genomica ha aumentato la quantità di dati genetici disponibili, ma il problema dei dati mancanti che rendono difficile l’analisi statistica rimane rilevante. L’obiettivo principale di questo progetto è determinare l’affidabilità degli approcci di imputazione usati per trovare valori per i dati mancanti in dataset genomici. A tal fine sono stati usati dei metodi bioinformatici per: i) quantificare l’accuratezza dell’imputazione, e ii) quantificare la sensibilità dell’imputazione a diversi gradi di divergenza genetica.

PRIN 2022 MISS.GO – Microbiota and Immune SignatureS of Graves’ disease and Orbitopathy

MISSGO affronta la malattia di Graves e la sua principale complicanza, l’orbitopatia di Graves, una condizione infiammatoria che può causare gravi alterazioni funzionali ed estetiche. Poiché manca ancora un modello in grado di prevedere quali pazienti svilupperanno l’orbitopatia, il progetto mira a chiarirne i meccanismi biologici alla base.

MISSGO studia l’interazione tra microbiota intestinale e sistema immunitario, con particolare attenzione allo squilibrio tra cellule T pro-infiammatorie e regolatorie. Attraverso tecniche avanzate di sequenziamento Shotgun, integrate con approcci multi-omici, il progetto analizza il microbiota e le risposte immunitarie in pazienti con malattia di Graves, orbitopatia e soggetti di controllo.

L’elemento innovativo è lo studio delle cellule immunitarie prelevate direttamente da tiroide e linfonodi, consentendo una caratterizzazione specifica della malattia. Integrando dati immunologici e microbiologici, MISSGO punta a sviluppare un modello predittivo per l’identificazione precoce dei pazienti a rischio, aprendo nuove prospettive per diagnosi tempestiva e terapie mirate.

FARM-INN Farm-level interventions supporting dairy industry innovation

FARM-INN ha come obiettivo l’acquisizione di nuovi dati scientifici per migliorare tutta la filiera lattiero-casearia. In particolare le ricerche si focalizzano sulla caratterizzazione delle proprietà tecnologiche e funzionalidelle proteine contenute nel latte (varianti A1 e A2 di beta-caseina) e sull’ impiego di nuovi additivi, da aggiungere nella dieta delle bovine, in grado di ridurre la contaminazione del latte da micotossine (prodotte da funghi) e batteri (clostridi). Con specifiche valutazioni effettuate tramite approccio LCA (Life Cycle Assessment), si verificheranno la sostenibilità ambientale ed economica delle innovazioni introdotte con il progetto nella filiera lattiero casearia. I risultati del progetto contribuiranno infine a garantire al consumatore alimenti più sicuri e a migliorare l’efficienza della produzione riducendo gli scarti di latte e formaggio, causa di gravi perdite economiche per i produttori.

USEFUL - Sviluppo di tecniche e processi di filiera (allevamenti e caseifici) per ottimizzare i fattori ambientali, territoriali e gestionali finalizzati a ottenere una maggiore efficienza produttiva e eccellenza qualitativa nelle produzioni di formaggi dop e tipici

Il progetto USEFUL ha l’obiettivo di risolvere alcune criticità della produzione di formaggi DOP lombardi (Grana Padano e Taleggio) in modo tale da garantire la redditività e la competitività delle imprese di settore. A tal fine saranno quindi sviluppate strategie e strumenti operativi di filiera che permettano di migliorare la qualità microbiologica e tecnologica del latte a livello di stalla e migliorare tutti i processi di caseificazione e stagionatura. Tali obiettivi saranno realizzati attraverso l’integrazione dei 3 sottoprogetti di Coordinamento, Innovazione e Trasferimento.

I risultati attesi sono quindi: 1) individuare nuove procedure aziendali per migliorare la salute degli animali, la sicurezza alimentare e la qualità microbiologica e tecnologica del latte prodotto in stalla; 2) individuare procedure innovative e strumenti operativi da usare in caseificio per monitorare le fasi di caseificazione e stagionatura dei formaggi; 3) definire linee guida, manuali tecnici e fact sheet sulle diverse procedure e tecniche aziendali.