Un estratto tratto dal libro Nel paese degli algoritmi, di Aurélie Jean
Nell’ottobre 2009 entravo dunque a far parte del laboratorio biomedico di medicina rigenerativa della Penn State. Il nostro team intrecciava prospettiva medica e ingegneristica allo scopo di sviluppare delle tecniche per creare tessuti in laboratorio (o più esattamente in un bioreattore) con cui sostituire tessuti danneggiati. In altre parole, si trattava di un passo avanti decisivo nella lunga storia dei trapianti: creando tessuti direttamente dalle cellule staminali del paziente, si porrebbe fine al fenomeno del rigetto! Si eviterebbero anche operazioni successive in un bambino in crescita con una protesi sintetica o naturale, poichè la protesi potrebbe crescere con lui. Per tutto questo ci vorranno ancora degli anni, e all’epoca si era proprio agli inizi. Quanto a me, lavoravo allo sviluppo in vitro di cellule cardiache per la riparazione del tessuto miocardico dopo un infarto. Un anno prima, con il team di Lisa Freed, nel laboratorio del professor Robert Langer al MIT, George aveva sviluppato una tecnica unica per generare artificialmente un lembo di tessuto miocardico, con risultati molto promettenti: la morfologia del tessuto artificiale e il suo comportamento elastico relativo erano molto simili a quelli del tessuto in vivo. Ma il tessuto era ancora troppo rigido, e troppe cellule cardiache morivano durante la crescita. George, un visionario, vedeva nei modelli e nelle simulazioni della mia tesi un modo intelligente per migliorare la sua tecnica. In effetti, il tessuto miocardico è costituito (tra le altre cose) da cellule cardiache circondate da collagene. Abbiamo quindi stabilito un’analogia tra queste cellule e le “mie” nanoparticelle di carbonio nella loro matrice elastomerica, e insieme abbiamo creato degli algoritmi di simulazione ispirati al mio primo lavoro… Evviva il dialogo tra le scienze!
Ma l’interdisciplinarietà non è solo una questione intellettuale.
Come diceva George, «You have to get your hands dirty»: la medicina non si impara solo sui libri, per capire bisogna anche toccare, manipolare. Secondo George, io non potevo trasporre il mio modello dalla morfologia delle microstrutture della gomma al tessuto miocardico se non capivo il funzionamento del cuore, come organo e a livello cellulare. è in quest’ottica che, pochi mesi dopo il mio arrivo, ha deciso di far sezionare il cuore di un maiale affinchè io ne comprendessi l’anatomia, e anche di farne estrarre le cellule e coltivarle, per illustrarmi la vita quotidiana di una cellula del miocardio.
Hai detto “bias algoritmico”?
Così, alla fine del 2009 affronto la mia prima dissezione di un cuore. Sono seduta a un bancone del laboratorio sotto una cappa aspirante, vicino a George, lui rilassatissimo, io galvanizzata all’idea di interpretare il ruolo del dottore. Mi rendo conto di quanto sono fortunata a passare le prossime due ore a imparare direttamente da un grande esperto della materia. I miei microprocessori sono mille miglia lontani: mi trovo in perfetto assetto da scienziata da laboratorio, con guanti, mascherina e camice bianco. Finalmente incarno l’immagine che mia nonna aveva di me quando dicevo che lavoravo in un laboratorio di ricerca. Dopo avermi introdotto agli strumenti che useremo per la dissezione, George mi spiega come incidere i tessuti del muscolo cardiaco in modo da non danneggiarli
in vista dell’estrazione delle cellule. Scopro per la prima volta l’interno di un cuore, con le due metà quasi simmetriche, da cui partono rispettivamente l’aorta e l’arteria polmonare. Identifico gli atri, i ventricoli, le valvole… Ma a proposito: come si distingue il ventricolo sinistro dal destro prima della dissezione? Molto semplice, mi risponde George. Mi chiede di chiudere gli occhi e di toccare entrambe le parti. Una è più rigida: è la sinistra, da cui parte l’arteria aorta.
La meccanica del cuore mi affascina: un organo ingegnoso, incredibilmente sofisticato, concepito in maniera perfetta dalla natura per far circolare il sangue in modo regolare in tutto il corpo. George mi spiega che l’anatomia del cuore di un maiale è simile a quella di un cuore umano. Tuttavia, mi dice, il posizionamento nella gabbia toracica non è uguale nell’uomo e nell’animale. E insiste sul fatto che, in generale, le differenze morfologiche tra essere umano e animale sono molte; quindi traslando i risultati ricavati sugli animali in ambito umano, corriamo sempre il rischio di introdurre nella nostra ricerca dei bias.
Bias: è la prima volta che mi imbatto in questo termine in inglese.
Avevo già capito, nel quotidiano, che la nostra visione a volte distorta delle persone, delle culture e delle cose in generale può influenzare i nostri giudizi e percezioni. Ma fino a ora, per me, era un aspetto che rimaneva legato alle prove sperimentali e agli studi clinici. Di sicuro non ai miei algoritmi. Mi sbagliavo. Nel giro di due ore e mezzo completiamo la dissezione e l’estrazione delle cellule cardiache. Le depongo delicatamente in una piastra di Petri, che trasferisco all’interno dell’incubatore caldo e umido, in modo che possano crescere. Richiuso l’incubatore, comincio a pulire il bancone e gli strumenti secondo il rigido protocollo di sterilizzazione. Ed è allora che George decide di affrontare il tema delle simulazioni numeriche e di tornare sulla questione dei bias.
«Abbiamo pensato ai bias che potremmo introdurre nei modelli e negli algoritmi che sviluppiamo per simulare il comportamento elastico di un muscolo cardiaco creato in laboratorio?»
La domanda mi coglie alla sprovvista. Al punto che, me lo ricordo bene, scoppio a ridere. «Che cosa? Ma qui non c’entrano!» rispondo, un po’ troppo sicura di me.
Il mio ragionamento era questo: eseguendo simulazioni direttamente su modelli virtuali di esseri umani viventi, io non traslo alcun risultato dall’animale all’essere umano. Quindi non mi scontro con il problema dei medici, che eseguono test su mammiferi o roditori e che ipotizzano per traslazione i risultati nell’uomo. In breve: nessuna estrapolazione, quindi nessun bias!
George mi sorride. Con tono bonario e venato di ironia, mi dice che ho una visione distorta della natura dei bias e di come si esprimono: «I tuoi modelli e algoritmi possono contenere dei bias, perchè scrivendoli tu ti basi sulla tua conoscenza del mondo, e nel caso specifico sulla tua conoscenza di come funziona il corpo umano. Che dipende dalla tua comprensione delle informazioni che ti trasmettono i medici. Naturalmente, non puoi avere la garanzia di averle assimilate tutte alla perfezione. E anche se così fosse, quelle stesse conoscenze possono essere altrettanto parziali. Perchè anche noi medici a volte abbiamo una conoscenza limitata! Sul funzionamento del cervello, per esempio…»
George ha ragione.
Poi mi parla del nostro modello che simula il comportamento elastico del tessuto miocardico in vitro. La scelta dei parametri, la scelta delle equazioni matematiche, o anche la semplice ipotesi di considerare in prima battuta un comportamento puramente elastico del tessuto cardiaco… tutto può essere fonte di bias! Comincio a capire. Pensavo di poter garantire l’assenza di bias perchè giustificavo in maniera rigorosa e sistematica ciascuna delle ipotesi che formulavo nell’algoritmo, ma qualsiasi modello è per natura un’approssimazione, il cui grado dipende anche da chi lo sviluppa. «Il modello rappresenta soltanto una grande ipotesi» spiega George. «Si basa su scelte, consapevoli o meno, e in ognuna di queste scelte si annidano le nostre percezioni, che dipendono da chi siamo, da quel che sappiamo, dal nostro profilo scientifico e da molto altro».
In altre parole: ogni modellazione rimane un’approssimazione della realtà; e anche se le mie ipotesi sono buone, devo guardare al quadro generale: se si basano su dati parziali, risulterà parziale anche il mio algoritmo.
