GRUPPO TIM

Profilo Predittivo di Risposta ai Farmaci (P-DRP) nelle Leucemie “Hopeless”

Istruzione e Ricerca Scientifica

Profilo Predittivo di Risposta ai Farmaci (P-DRP) nelle Leucemie “Hopeless”

Le nuove tecnologie per migliorare le opzioni terapeutiche per i pazienti affetti da leucemie acute.

Istruzione e Ricerca Scientifica

Emilia Romagna
A CHI È RIVOLTO
Pazienti affetti da leucemie acute e medici ematologi ed oncologi.

Status del progetto

16%

Data di partenza

03.2024

Durata

18 mesi

Valore del contributo 369.040€

€ 369.040

Descrizione e obiettivi del progetto
Il progetto Profilo Predittivo di Risposta ai Farmaci (P-DRP) nelle Leucemie “Hopeless” sviluppato dall’Università degli Studi di Parma risponde all’esigenza di migliorare le opzioni terapeutiche per le persone affette da leucemie acute recidivate/refrattarie. Il progetto si propone un duplice obiettivo: il primo è quello di mettere in campo un approccio di medicina personalizzata basato sul Drug Response Profiling, il secondo è di sviluppare “P-DRP” digital twins, ovvero dei modelli computazionali che mimano i tumori dei pazienti. I digital twins saranno generati integrando dati da diverse fonti, come analisi genomiche, dati clinici e risultati del DRP. Sarà così possibile prevedere la risposta tumorale ai farmaci e individuare le terapie più efficaci per ogni paziente ed individuare nuovi biomarcatori terapeutici.

Utilizzo innovativo delle tecnologie

Il progetto si distingue per l’applicazione del Drug Response Profiling - Profilo Predittivo di Risposta ai Farmaci, un’innovazione nel campo della medicina di precisione che integra la tecnologia con le necessità cliniche. Tramite lo screening di farmaci sulle cellule isolate dai pazienti, si ottengono informazioni sulla sensibilità dei tumori ai diversi agenti farmacologici. L’implementazione dei “P-DRP” digital twins rappresenta un’ulteriore innovazione. Verranno utilizzati modelli computazionali avanzati, tra cui reti neurali artificiali, algoritmi di apprendimento automatico (machine learning) e modelli di regressione, che permetteranno di integrare e analizzare in modo efficiente dati complessi e multidimensionali. La creazione dei digital twins consentirà dunque di identificare i pazienti che beneficeranno maggiormente delle terapie specifiche.

documenti