In Silico Platform for Accelerated Drug and Vaccine Development, Assessment, and Repositioning in Pandemic and Emergency Scenarios [Piattaforma In Silico per lo Sviluppo Accelerato, la Valutazione e il Riposizionamento di Farmaci e Vaccini in Scenari di Pandemia ed Emergenza]

La pandemia di COVID-19 ha evidenziato gravi lacune nella preparazione globale alle pandemie, sottolineando la necessità di strategie rapide e proattive per contrastare le malattie infettive emergenti. Sia il COVID-19 che l'influenza continuano a rappresentare minacce significative, con il potenziale di innescare future pandemie. L'influenza, in particolare i ceppi aviari come l'H5N1, rappresenta un rischio considerevole a causa dell'elevato tasso di mutazione e della capacità di “spillover” zoonotico. La rapida diffusione globale del COVID-19 ha dimostrato la necessità di una preparazione completa contro pandemie simili o addirittura più gravi. Data l'imprevedibilità e la rapida evoluzione di questi virus, sistemi robusti per la rilevazione precoce, la previsione delle varianti e lo sviluppo di vaccini sono essenziali. Questa tesi propone un approccio a doppio binario per affrontare queste lacune attraverso la modellazione computazionale: prevedere le Varianti di Interesse (VOCs) utilizzando algoritmi genetici (GA) e sviluppare un'efficiente pipeline di scoperta di vaccini per future pandemie, con particolare attenzione al virus dell’influenza aviaria e il suo sottotipo H5N1. Il primo obiettivo si concentra sull'uso di algoritmi genetici per prevedere potenziali varianti di SARS-CoV-2 ottimizzando le strutture tridimensionali delle proteine spike mutate. Questo approccio basato su GA simula le pressioni evolutive per identificare mutazioni che potrebbero aumentare la trasmissibilità e l'evasione immunitaria, fornendo preziose informazioni sulle potenziali VOC prima che emergano. Vengono utilizzate metriche avanzate, tra cui l'energia libera di Gibbs, l'affinità di legame e i punteggi di energia proteica ottimizzati, per valutare le varianti future più preoccupanti e comprendere le loro caratteristiche strutturali e funzionali. Il secondo obiettivo prevede la creazione di una pipeline di risposta rapida per i vaccini contro l'H5N1 utilizzando un approccio di vaccinologia inversa. Questo processo include l'identificazione di epitopi T e B cellulari, la valutazione del loro potenziale immunogenico e la verifica della loro efficacia tramite il simulatore del sistema immunitario universale (UISS). La piattaforma in silico consente una valutazione rapida delle risposte immunitarie, accelerando la formulazione, il test e l'ottimizzazione dei vaccini in un ambiente simulato. Insieme, queste due strategie presentano una soluzione integrata per la preparazione alle future pandemie, combinando la modellazione predittiva per il rilevamento delle varianti con un processo semplificato di sviluppo dei vaccini. L'obiettivo principale di questa tesi è colmare il divario nella preparazione alle pandemie garantendo una rapida previsione delle nuove minacce virali e una pronta capacità di sviluppo dei vaccini. I risultati dimostrano il potenziale delle piattaforme in silico di accelerare significativamente l'identificazione delle minacce emergenti e lo sviluppo di contromisure mediche efficaci, migliorando così la resilienza della salute globale in tempi di crisi.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2025

Author dc:creator

• MALEKI, AVISA

Contributors dc:contributor

• BATTIATO, SEBASTIANO

• Variant of concern
• Genetic Algorithm
• Reverse Vaccinology
• Influenza H5N1
• Variante di Interesse
• Algoritmo Genetico
• Vaccinologia Inversa

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:PUBBLICO - Pubblico con Copyright
• license uri:iris.PUB02

Language dc:language

eng

Handle dc:identifier

https://hdl.handle.net/20.500.11769/685234

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/685234