GOODBYO - Multi-commodities microbial-driven BiOrefinery based on food-processing industry wastes, biogenic CO2 and bioprocess wastewaters (HORIZON-JU-CBE-2023)

GoodByO mira alla realizzazione di un sistema di bioraffinerie di nuova generazione che utilizzino scarti agro-alimentari, CO₂ biogenica e acque reflue di bioprocesso per la produzione di bioprodotti.

Il progetto implementerà questo concetto visionario presso il bioimpianto dell’azienda olandese ChainCraft BV, in modo da sfruttare i residui gassosi e liquidi come materie prime sostenibili a costo zero. Grazie alla diversità metabolica dei catalizzatori microbici, GoodByO svilupperà e convaliderà a TRL5 quattro diverse fabbriche microbiche.

Il progetto realizzerà anche in silico un modello di energia rinnovabile in grado di sostenere la domanda energetica variabile dell’intero sistema integrata nel tempo, sfruttando il processo di biometanazione come sistema di bilanciamento della rete energetica. GoodByO produrrà acido bio-ottanoico, bio-esanolo, carotenoidi, proteine microbiche e fertilizzanti organici al fine di soddisfare la crescente richiesta  del mercato, a prezzi di vendita competitivi rispetto ai parametri di riferimento.

Il fine ultimo è quello di incoraggiare le aziende end-user a sostituire i prodotti a base di olio fossile e di palma con quelli a base biologica, contribuendo ad aumentare la leadership globale dell’UE nell’industria manifatturiera e  facendo progredire anche i settori delle biotecnologie per la cattura e valorizzazione della CO₂.

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.

SCALA-MEDI Improving sustainability and quality of Sheep and Chicken production by leveraging the Adaptation potential of LocAl breeds in the MEDIterranean area

Il progetto SCALA-MEDI ottimizzerà l’uso sostenibile e la conservazione delle risorse genetiche locali ovine e avicole della regione mediterranea, concentrandosi sull’adattamento alle condizioni climatiche e alle preferenze dei consumatori.

L’esperienza e i dati provenienti dai precedenti progetti dell’UE verranno estesi alla caratterizzazione genetica ed epigenetica delle risorse locali e al loro adattamento a diversi ambienti produttivi in tre paesi del Nord Africa, Tunisia, Algeria e Marocco.

Verranno sviluppati strumenti e strategie per migliorare le razze locali per una produzione sostenibile. L’applicazione di questi strumenti verrà dimostrata agli agricoltori in diversi sistemi di produzione mediterranei.

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).

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.