E se prendessimo il tumore per la gola?
Ognuno di noi ha un cibo preferito. Quella pietanza a cui è difficile dire di no. Anche quando siamo sazi, ne vorremmo ancora.
Anche il tumore ha le sue preferenze. Per crescere, ogni tumore ha bisogno di nutrirsi. Ma non tutti “mangiano” le stesse cose. Alcuni sembrano preferire zuccheri, altri grassi, altri ancora metaboliti presenti nell’ambiente che li circonda.
A volte il modo più semplice per dimagrire è ridurre la disponibilità del cibo di cui siamo più golosi. Allo stesso modo, se sapessimo di cosa è ghiotto il tumore, potremmo provare a limitarne la crescita riducendo proprio quei nutrienti. E se i microbi che abitano la nostra flora intestinale agissero come piccoli chef, trasformando nutrienti in forme particolarmente gradite al tumore? Aiutaci a scoprirlo!
Nuovo obiettivo
Primo obiettivo raggiunto…. e ora possiamo andare oltre!
Grazie all’incredibile supporto delle nostre sostenitrici e dei nostri sostenitori abbiamo già sbloccato il co-finanziamento BiUniCrow e raggiunto il primo obiettivo della campagna.
Ma possiamo andare ancora oltre.
Abbiamo verificato la disponibilità di ulteriori campioni tumorali per cui disponiamo già dei dati sul microbiota intestinale: raggiungendo il nuovo obiettivo di 12.000€ potremo estendere lo studio oltre i 20 tumori iniziali, analizzando fino a 9 tumori aggiuntivi.
Un dataset più ampio significa:
▶ maggiore robustezza dello studio
▶ maggiore variabilità biologica osservabile
▶ maggiore capacità di individuare relazioni meno evidenti tra microbiota intestinale e metabolismo tumorale
Continuiamo insieme questo percorso.
ENGLISH VERSION
Quando la prevenzione non basta
Il tumore al colon è tra i più diffusi e la sua incidenza sta aumentando anche tra i più giovani.
Prevenzione e screening sono fondamentali, ma quando la malattia si manifesta può essere difficile da trattare efficacemente.
Non esiste una cura del tumore al colon, perché non esiste un solo tumore al colon. Ogni tumore nasce da cellule che hanno perso il controllo della propria crescita e che si evolvono in modo diverso da paziente a paziente.
Ogni persona ha un patrimonio genetico unico, uno stile di vita diverso, un ambiente biologico differente. E allora la domanda è: possiamo colpire il tumore dove è più vulnerabile?
Di cosa è goloso quel tumore?
Il laboratorio di Bioinformatica e Computational Systems Biology dell’Università di Milano-Bicocca guidato dalla Professoressa Chiara Damiani ha sviluppato metodi informatici che ci permettono di capire quali nutrienti il tumore di uno specifico paziente tende a utilizzare in modo preferenziale.
Ma chi decide cosa finisce nel piatto del tumore?
Non tutti i nutrienti che il tumore ha a disposizione provengono direttamente dalla nostra alimentazione.Nel nostro intestino vivono miliardi di microrganismi che trasformano ciò che mangiamo. Chef esclusivi, un team diverso per ogni paziente con una ricetta personalizzata.
Esiste una relazione tra microbiota e dieta del tumore? Per rispondere servono nuovi dati.
Un team di ricercatori e docenti dell’Università di Milano-Bicocca e del CNR studia come i microbi che abitano il nostro intestino influenzino ciò che il tumore al colon utilizza per crescere.
Per farlo dobbiamo caratterizzare in maniera più approfondita dei campioni tumorali di cui conosciamo già la composizione della flora intestinale del paziente. Analizzando l'RNA di 20 tumori al colon faremo il primo passo concreto per trasformare un’intuizione in evidenza scientifica.
Solo grazie al tuo aiuto possiamo generare i dati necessari per capire se è possibile mettere davvero il tumore a dieta. Unisciti a noi in questa sfida!
Perché guardare ai microbi è strategico?
Capire la relazione diretta tra dieta del paziente e dieta del tumore è estremamente complesso: troppi passaggi, troppe variabili.
La flora intestinale, detta anche microbiota, è, invece, a strettissimo contatto con il tumore al colon. È un intermediario più diretto tra ciò che mangiamo e ciò che il tumore utilizza.
Se esiste una relazione tra composizione del microbiota e preferenze metaboliche del tumore, intervenire sul “team degli chef” potrebbe essere più realistico e modulabile rispetto a modificare radicalmente la dieta del paziente. L’idea non è cambiare tutto ciò che mangiamo, ma capire se modificando la composizione del microbiota possiamo rendere la “ricetta” meno favorevole alla crescita tumorale.
Un passo concreto
La Prof.ssa Federica Facciotti, immunologa del Dipartimento di Biotecnologie e Bioscienze dell’Università di Milano-Bicocca, ha già isolato e caratterizzato il microbiota associato a diversi tumori del colon, identificando da quali microrganismi è composto il “team” di ciascun paziente. Se conoscessimo anche il “cibo preferito” di quei tumori, potremmo studiare la relazione tra dieta tumorale e composizione del microbiota. Per farlo, il primo passo è semplice e concreto:
- sequenziare l’RNA di quei tumori;
- prevedere quali nutrienti utilizzano preferenzialmente;
- studiare la relazione tra dieta del tumore e composizione del microbiota, usando metodi statistici e di intelligenza artificiale
- possiamo valorizzare campioni raccolti e caratterizzati nell’ambito di biobanche territoriali, per generare nuova conoscenza a partire da materiale biologico già disponibile.
Con il tuo aiuto possiamo raggiungere e superare l'obiettivo
Ci servono 8.000 euro per analizzare l’RNA di 20 tumori.
Grazie al supporto dell’Università di Milano-Bicocca attraverso BiUniCrowd, dobbiamo raccogliere i primi 4.000 euro: l’Ateneo contribuirà con altri 4.000 euro, raddoppiando il valore della tua donazione.
Con il tuo contributo, ogni euro vale doppio.
Venti campioni rappresentano il minimo per avviare lo studio e individuare i primi segnali.
Se riusciremo a superare l’obiettivo, potremo ampliare il numero di campioni analizzati, aumentando la capacità di identificare relazioni più complesse e meno evidenti.
Ogni contributo è un dato in più, un passo concreto verso la possibilità di capire se possiamo davvero mettere il tumore a dieta.
E dopo?
Se dimostreremo che esiste una relazione tra microbiota e dieta del tumore, avremo fatto un passo fondamentale. Ma sarà solo l'inizio. Vogliamo capire se è possibile modulare la composizione del microbiota per rendere meno favorevole al tumore la disponibilità dei suoi nutrienti preferiti. Per farlo non basta sapere “chi c’è” nel microbiota: dobbiamo capire anche cosa fa, quali nutrienti trasforma e come.
Possiamo ottenere queste informazioni analizzando anche l’RNA del microbiota e usando modelli computazionali per simulare come variazioni nel “team” influenzino ciò che finisce nel piatto del tumore.
Le ipotesi generate al computer potranno poi essere testate in laboratorio, valutando quali nutrienti vengono effettivamente prodotti da specifiche composizioni microbiche.Se dimostrata e adeguatamente caratterizzata, la relazione tra dieta del tumore e composizione del microbiota potrebbe aprire la strada a strategie personalizzate di modulazione del microbiota come possibile coadiuvante terapeutico.
Chi siamo
Il progetto nasce dalla collaborazione tra ricercatori esperti nell’analisi dei dati e nello studio del metabolismo tumorale e ricercatori specializzati nell’interazione tra microbiota e tumore. Uniamo competenze in modellazione matematica, intelligenza artificiale e biologia sperimentale per affrontare la stessa domanda da due prospettive complementari: capire come il microbiota possa influenzare la crescita tumorale.
I membri e i collaboratori del team:
Chiara Damiani – Referente computazionale e coordinamento scientifico
Professoressa Associata in Informatica, responsabile del laboratorio di Bioinformatica e Computational Systems Biology (Università di Milano-Bicocca). Esperta in modellazione del metabolismo tumorale, integrazione dati multi-omici e analisi quantitativa dei sistemi biologici.
Federica Facciotti – Referente sperimentale
Professoressa Associata in Patologia Generale e Clinica, responsabile del laboratorio di Immunologia mucosale (Università di Milano-Bicocca). Esperta nell’interazione microbiota–tumore e nella modulazione delle risposte immunitarie in ambito oncologico.
Bruno Giovanni Galuzzi – Modelli predittivi e Intelligenza Artificiale
Ricercatore in bioinformatica (CNR-IBSBC). Si occupa di integrazione di dati omici e sviluppo di modelli di Machine Learning per applicazioni biotecnologiche.
Francesco Lapi – Sviluppo software e infrastruttura dati
Studente di dottorato in Tecnologie Convergenti per i Sistemi Biomolecolari (Università di Milano-Bicocca). Sviluppa pipeline computazionali e infrastrutture per l’analisi di dati di sequenziamento, a livello single-cell e spaziale.
Giulia Toniutti – Comunicazione scientifica e divulgazione
Biotecnologa con Master in Comunicazione della Scienza e formazione teatrale: coniuga il tutto in spettacoli di teatro-scienza. Esperta nella traduzione di contenuti scientifici complessi in linguaggio accessibile per pubblico non specialistico.
Alberto Mazzari – Strategia visuale e materiali grafici
Supporto alla definizione dell’identità visiva della campagna, creazione di materiali grafici e contenuti
Emanuele Guanella - Supporto alla ricerca
Studente della laurea magistrale in Biotecnologie industriali (Università di Milano-Bicocca). Sta svolgendo la tesi di laurea sul progetto Microbi Chef.
 '%3E%3Cpath d='M14 13.5H16.5L17.5 9.5H14V7.5C14 6.47062 14 5.5 16 5.5H17.5V2.1401C17.1743 2.09685 15.943 2 14.6429 2C11.9284 2 10 3.65686 10 6.69971V9.5H7V13.5H10V22H14V13.5Z'%3E%3C/path%3E%3C/svg%3E){kind=small}
 '%3E%3Cpath d='M21.2595 13.9898C20.9852 15.4006 18.8033 16.9446 16.2974 17.2439C14.9907 17.3998 13.7041 17.5431 12.3321 17.4802C10.0885 17.3774 8.31809 16.9446 8.31809 16.9446C8.31809 17.163 8.33156 17.371 8.3585 17.5655C8.65019 19.7797 10.5541 19.9124 12.3576 19.9742C14.1779 20.0365 15.7987 19.5254 15.7987 19.5254L15.8735 21.1711C15.8735 21.1711 14.6003 21.8548 12.3321 21.9805C11.0814 22.0493 9.52849 21.9491 7.71973 21.4703C3.79684 20.432 3.12219 16.2504 3.01896 12.0074C2.98749 10.7477 3.00689 9.55981 3.00689 8.56632C3.00689 4.22771 5.84955 2.95599 5.84955 2.95599C7.2829 2.29772 9.74238 2.0209 12.2993 2H12.3621C14.919 2.0209 17.3801 2.29772 18.8133 2.95599C18.8133 2.95599 21.6559 4.22771 21.6559 8.56632C21.6559 8.56632 21.6916 11.7674 21.2595 13.9898ZM18.3029 8.9029C18.3029 7.82924 18.0295 6.97604 17.4805 6.34482C16.9142 5.71359 16.1726 5.39001 15.2522 5.39001C14.187 5.39001 13.3805 5.79937 12.8473 6.61819L12.3288 7.48723L11.8104 6.61819C11.2771 5.79937 10.4706 5.39001 9.40554 5.39001C8.485 5.39001 7.74344 5.71359 7.17719 6.34482C6.62807 6.97604 6.3547 7.82924 6.3547 8.9029V14.1562H8.43597V9.05731C8.43597 7.98246 8.88822 7.4369 9.79281 7.4369C10.793 7.4369 11.2944 8.08408 11.2944 9.36376V12.1547H13.3634V9.36376C13.3634 8.08408 13.8646 7.4369 14.8648 7.4369C15.7694 7.4369 16.2216 7.98246 16.2216 9.05731V14.1562H18.3029V8.9029Z'%3E%3C/path%3E%3C/svg%3E){kind=small}
'%3E%3Cpath d='M18.2048 2.25H21.5128L14.2858 10.51L22.7878 21.75H16.1308L10.9168 14.933L4.95084 21.75H1.64084L9.37084 12.915L1.21484 2.25H8.04084L12.7538 8.481L18.2048 2.25ZM17.0438 19.77H18.8768L7.04484 4.126H5.07784L17.0438 19.77Z'%3E%3C/path%3E%3C/svg%3E){kind=small}
'%3E%3Cpath d='M6.94048 4.99993C6.94011 5.81424 6.44608 6.54702 5.69134 6.85273C4.9366 7.15845 4.07187 6.97605 3.5049 6.39155C2.93793 5.80704 2.78195 4.93715 3.1105 4.19207C3.43906 3.44699 4.18654 2.9755 5.00048 2.99993C6.08155 3.03238 6.94097 3.91837 6.94048 4.99993ZM7.00048 8.47993H3.00048V20.9999H7.00048V8.47993ZM13.3205 8.47993H9.34048V20.9999H13.2805V14.4299C13.2805 10.7699 18.0505 10.4299 18.0505 14.4299V20.9999H22.0005V13.0699C22.0005 6.89993 14.9405 7.12993 13.2805 10.1599L13.3205 8.47993Z'%3E%3C/path%3E%3C/svg%3E){kind=small}
'%3E%3Cpath d='M12.001 2C17.5238 2 22.001 6.47715 22.001 12C22.001 17.5228 17.5238 22 12.001 22C10.1671 22 8.44851 21.5064 6.97086 20.6447L2.00516 22L3.35712 17.0315C2.49494 15.5536 2.00098 13.8345 2.00098 12C2.00098 6.47715 6.47813 2 12.001 2ZM8.59339 7.30019L8.39232 7.30833C8.26293 7.31742 8.13607 7.34902 8.02057 7.40811C7.93392 7.45244 7.85348 7.51651 7.72709 7.63586C7.60774 7.74855 7.53857 7.84697 7.46569 7.94186C7.09599 8.4232 6.89729 9.01405 6.90098 9.62098C6.90299 10.1116 7.03043 10.5884 7.23169 11.0336C7.63982 11.9364 8.31288 12.8908 9.20194 13.7759C9.4155 13.9885 9.62473 14.2034 9.85034 14.402C10.9538 15.3736 12.2688 16.0742 13.6907 16.4482C13.6907 16.4482 14.2507 16.5342 14.2589 16.5347C14.4444 16.5447 14.6296 16.5313 14.8153 16.5218C15.1066 16.5068 15.391 16.428 15.6484 16.2909C15.8139 16.2028 15.8922 16.159 16.0311 16.0714C16.0311 16.0714 16.0737 16.0426 16.1559 15.9814C16.2909 15.8808 16.3743 15.81 16.4866 15.6934C16.5694 15.6074 16.6406 15.5058 16.6956 15.3913C16.7738 15.2281 16.8525 14.9166 16.8838 14.6579C16.9077 14.4603 16.9005 14.3523 16.8979 14.2854C16.8936 14.1778 16.8047 14.0671 16.7073 14.0201L16.1258 13.7587C16.1258 13.7587 15.2563 13.3803 14.7245 13.1377C14.6691 13.1124 14.6085 13.1007 14.5476 13.097C14.4142 13.0888 14.2647 13.1236 14.1696 13.2238C14.1646 13.2218 14.0984 13.279 13.3749 14.1555C13.335 14.2032 13.2415 14.3069 13.0798 14.2972C13.0554 14.2955 13.0311 14.292 13.0074 14.2858C12.9419 14.2685 12.8781 14.2457 12.8157 14.2193C12.692 14.1668 12.6486 14.1469 12.5641 14.1105C11.9868 13.8583 11.457 13.5209 10.9887 13.108C10.8631 12.9974 10.7463 12.8783 10.6259 12.7616C10.2057 12.3543 9.86169 11.9211 9.60577 11.4938C9.5918 11.4705 9.57027 11.4368 9.54708 11.3991C9.50521 11.331 9.45903 11.25 9.44455 11.1944C9.40738 11.0473 9.50599 10.9291 9.50599 10.9291C9.50599 10.9291 9.74939 10.663 9.86248 10.5183C9.97128 10.379 10.0652 10.2428 10.125 10.1457C10.2428 9.95633 10.2801 9.76062 10.2182 9.60963C9.93764 8.92565 9.64818 8.24536 9.34986 7.56894C9.29098 7.43545 9.11585 7.33846 8.95659 7.32007C8.90265 7.31384 8.84875 7.30758 8.79459 7.30402C8.66053 7.29748 8.5262 7.29892 8.39232 7.30833L8.59339 7.30019Z'%3E%3C/path%3E%3C/svg%3E){kind=small}
'%3E%3Cpath d='M2.14753 11.8099C7.3949 9.52374 10.894 8.01654 12.6447 7.28833C17.6435 5.20916 18.6822 4.84799 19.3592 4.83606C19.5081 4.83344 19.8411 4.87034 20.0567 5.04534C20.2388 5.1931 20.2889 5.39271 20.3129 5.5328C20.3369 5.6729 20.3667 5.99204 20.343 6.2414C20.0721 9.08763 18.9 15.9947 18.3037 19.1825C18.0514 20.5314 17.5546 20.9836 17.0736 21.0279C16.0283 21.1241 15.2345 20.3371 14.2221 19.6735C12.6379 18.635 11.7429 17.9885 10.2051 16.9751C8.42795 15.804 9.58001 15.1603 10.5928 14.1084C10.8579 13.8331 15.4635 9.64397 15.5526 9.26395C15.5637 9.21642 15.5741 9.03926 15.4688 8.94571C15.3636 8.85216 15.2083 8.88415 15.0962 8.9096C14.9373 8.94566 12.4064 10.6184 7.50365 13.928C6.78528 14.4212 6.13461 14.6616 5.55163 14.649C4.90893 14.6351 3.67265 14.2856 2.7536 13.9869C1.62635 13.6204 0.730432 13.4267 0.808447 12.8044C0.849081 12.4803 1.29544 12.1488 2.14753 11.8099Z'%3E%3C/path%3E%3C/svg%3E){kind=small}
'%3E%3Cpath d='M12 0A12 12 0 0 0 0 12a12 12 0 0 0 12 12 12 12 0 0 0 12-12A12 12 0 0 0 12 0zm5.01 4.744c.688 0 1.25.561 1.25 1.249a1.25 1.25 0 0 1-2.498.056l-2.597-.547-.8 3.747c1.824.07 3.48.632 4.674 1.488.308-.309.73-.491 1.207-.491.968 0 1.754.786 1.754 1.754 0 .716-.435 1.333-1.01 1.614a3.111 3.111 0 0 1 .042.52c0 2.694-3.13 4.87-7.004 4.87-3.874 0-7.004-2.176-7.004-4.87 0-.183.015-.366.043-.534A1.748 1.748 0 0 1 4.028 12c0-.968.786-1.754 1.754-1.754.463 0 .898.196 1.207.49 1.207-.883 2.878-1.43 4.744-1.487l.885-4.182a.342.342 0 0 1 .14-.197.35.35 0 0 1 .238-.042l2.906.617a1.214 1.214 0 0 1 1.108-.701zM9.25 12C8.561 12 8 12.562 8 13.25c0 .687.561 1.248 1.25 1.248.687 0 1.248-.561 1.248-1.249 0-.688-.561-1.249-1.249-1.249zm5.5 0c-.687 0-1.248.561-1.248 1.25 0 .687.561 1.248 1.249 1.248.688 0 1.249-.561 1.249-1.249 0-.687-.562-1.249-1.25-1.249zm-5.466 3.99a.327.327 0 0 0-.231.094.33.33 0 0 0 0 .463c.842.842 2.484.913 2.961.913.477 0 2.105-.056 2.961-.913a.361.361 0 0 0 .029-.463.33.33 0 0 0-.464 0c-.547.533-1.684.73-2.512.73-.828 0-1.979-.196-2.512-.73a.326.326 0 0 0-.232-.095z'%3E%3C/path%3E%3C/svg%3E){kind=small}
'%3E%3Cpath d='M19 3H14.82C14.4 1.84 13.3 1 12 1C10.7 1 9.6 1.84 9.18 3H5C3.9 3 3 3.9 3 5V19C3 20.1 3.9 21 5 21H19C20.1 21 21 20.1 21 19V5C21 3.9 20.1 3 19 3ZM12 3C12.55 3 13 3.45 13 4C13 4.55 12.55 5 12 5C11.45 5 11 4.55 11 4C11 3.45 11.45 3 12 3ZM13 17H8C7.45 17 7 16.55 7 16C7 15.45 7.45 15 8 15H13C13.55 15 14 15.45 14 16C14 16.55 13.55 17 13 17ZM16 13H8C7.45 13 7 12.55 7 12C7 11.45 7.45 11 8 11H16C16.55 11 17 11.45 17 12C17 12.55 16.55 13 16 13ZM16 9H8C7.45 9 7 8.55 7 8C7 7.45 7.45 7 8 7H16C16.55 7 17 7.45 17 8C17 8.55 16.55 9 16 9Z'%3E%3C/path%3E%3C/svg%3E){kind=small}
'%3E%3Cpath d='M22 14.044C21.2389 13.6947 20.3922 13.5 19.5 13.5C16.1863 13.5 13.5 16.1863 13.5 19.5C13.5 20.018 13.5656 20.5206 13.689 21H3C2.44772 21 2 20.5523 2 20V4C2 3.44772 2.44772 3 3 3H21C21.5523 3 22 3.44772 22 4V14.044ZM12.0606 11.6829L5.64722 6.2377L4.35278 7.7623L12.0731 14.3171L19.6544 7.75616L18.3456 6.24384L12.0606 11.6829ZM19.5 21.75L16.855 23.1406L17.3601 20.1953L15.2202 18.1094L18.1775 17.6797L19.5 15L20.8225 17.6797L23.7798 18.1094L21.6399 20.1953L22.145 23.1406L19.5 21.75Z'%3E%3C/path%3E%3C/svg%3E){kind=small}
Commenti dei sostenitori