Automatizzare la scienza della crescita microbica

I ricercatori di Human Technopole hanno sviluppato Kinbiont, un software open-source che automatizza l’analisi dei dati di crescita microbica restituendo modelli quantitativi e interpretabili del comportamento dei microrganismi. I risultati sono stati pubblicati su Nature Communications.

Perché alcuni batteri resistono agli antibiotici mentre altri no? Quali inquinanti danneggiano di più gli ecosistemi? E come possiamo aumentare la resa nei fermentatori industriali? Tutte queste domande richiedono un elemento in comune: migliaia di curve di crescita che tracciano lo sviluppo microbico in diverse condizioni. Tuttavia, poiché i sistemi biologici sono estremamente complessi, trasformare questi dati in informazioni utili è ancora sorprendentemente difficile. Per affrontare il problema, il gruppo di Fernanda Pinheiro ha combinato modellizzazione matematica e machine learning interpretabile per creare Kinbiont, un nuovo software open-source che aiuta i ricercatori a ottenere automaticamente modelli matematici della risposta batterica a diverse condizioni ambientali, come la disponibilità di nutrienti o la concentrazione di farmaci.

Kinbiont è progettato per essere una pipeline completa, flessibile e facile da usare, che restituisce ipotesi sperimentali direttamente dai dati. Dopo il pre-processing, il software interpola i dati con modelli dinamici che descrivono diversi profili di crescita. Infine, utilizza il machine learning per comprendere come le condizioni sperimentali siano collegate ai cambiamenti osservati nella crescita. Ad esempio, può selezionare e modellare automaticamente le condizioni che ottimizzano la velocità di crescita o la produzione di biomassa.

I ricercatori hanno applicato Kinbiont allo studio di diversi tipi di crescita microbica, da profili cinetici classici a casi più complessi, come microrganismi che cambiano fonte di nutrimento o che sono infettati da virus batterici (fagi). In ogni caso, Kinbiont ha identificato e descritto in modo automatico e preciso le diverse fasi della crescita.

Kinbiont è stato usato anche su una variazione di un esperimento classico degli anni ’40 sulla limitazione di nutrienti, in cui il premio Nobel Jacques Monod scoprì una legge fondamentale sulla crescita batterica. Uno degli algoritmi di Kinbiont è riuscito a “riscoprire” in modo indipendente i risultati di Monod, introducendo per la prima volta nella microbiologia la scoperta automatica e guidata dai dati di leggi empiriche.

In un altro test, Kinbiont ha analizzato la risposta batterica all’antibiotico cloramfenicolo, trovando correttamente una relazione matematica che descrive come l’aumento della concentrazione del farmaco rallenti la crescita batterica. Questo tipo di analisi automatica può aiutare a identificare le strategie terapeutiche più efficaci e migliorare i test sugli antibiotici, contribuendo a un uso più sostenibile dei farmaci.

Il software si è dimostrato utile anche per studiare gli effetti combinati di diversi fattori di stress sui batteri. Analizzando oltre 15.000 curve di crescita da un dataset pubblico che testava varie specie batteriche esposte a decine di combinazioni di inquinanti d’acqua dolce, tra cui pesticidi e antibiotici, Kinbiont ha identificato quali sostanze chimiche avevano gli effetti più forti su ciascuna fase di crescita. Ha persino scoperto casi in cui due inquinanti combinati potenziavano o annullavano gli effetti reciproci, offrendo così un nuovo strumento per valutare meglio i rischi ambientali e selezionare combinazioni sinergiche di farmaci per ottenere gli effetti desiderati.

In sintesi, Kinbiont semplifica enormemente il passaggio dai dati grezzi a modelli matematici biologicamente informati e basati sui dati. Combinando strumenti di modellizzazione all’avanguardia con risultati facili da interpretare, Kinbiont aiuta a identificare schemi, formulare ipotesi e progettare esperimenti più efficaci. È utile in molti campi – dall’evoluzione microbica alla microbiologia industriale, dalle scienze ambientali alla medicina – e rappresenta un passo avanti nella trasformazione dei dati microbici in conoscenza significativa.

Fabrizio Angaroni, Alberto Peruzzi, Edgar Z. Alvarenga & Fernanda Pinheiro. Translating microbial kinetics into quantitative responses and testable hypotheses using Kinbiont. Nat Commun 16, 6440 (2025). https://doi.org/10.1038/s41467-025-61592-6