Più di un sentimento: prevedere la biologia con la multiomica spaziotemporale / More than a Feeling: Predicting Biology with Spatiotemporal Multiomics

Più di un sentimento: prevedere la biologia con la multiomica spaziotemporale / More than a Feeling: Predicting Biology with Spatiotemporal Multiomics

Segnalato dal Dott. Giuseppe Cotellessa / Reported by Dr. Giuseppe Cotellessa

Mike Previte, PhD, CTO e co-fondatore di Element Biosciences, sta ripensando il modo in cui studiamo le cellule e modelliamo le malattie per sviluppare la medicina di precisione.

Jonathan D. Grinstein, PhD, direttore nordamericano di Inside Precision Medicine, conduce una nuova serie intitolata "Dietro le innovazioni", che presenta le persone che stanno plasmando il futuro della medicina. In ogni episodio, Jonathan offre agli ascoltatori l'accesso alle loro storie motivazionali ed alle loro visioni per questo campo emergente e rivoluzionario.

Il sensazionale film "Will Hunting - Genio ribelle" — che racconta la storia di un genio autodidatta della matematica e della fisica di South Boston, in libertà vigilata e che lavora come bidello al MIT — non è basato su una storia vera. Ma questo non significa che una storia del genere non sia mai accaduta. È accaduta, solo con alcune differenze fondamentali: la più importante è che il brillante giovane bostoniano non si concentra sulla matematica teorica, ma su biologia e medicina. Quest'uomo è Mike Previte, PhD, direttore tecnico e co-fondatore di Element Biosciences, dove sviluppa strumenti per studiare sistemi biochimici complessi.

In questo episodio di Behind the Breakthroughs, Previte discute di strumenti biomedici fondamentali come il sequenziamento di DNA e RNA, su cui ha lavorato durante il suo periodo presso Illumina, e della microscopia, che sono incredibilmente utili, ma non riescono a fornirci un quadro completo di una cellula, un tessuto od un organismo vivente. Previte ritiene che, se la medicina di precisione dovesse mai diventare predittiva di come cellule, tessuti e organismi – come noi stessi – si comportano e reagiscono alle mutazioni, all'ambiente ed ai farmaci, dobbiamo studiare le cose nel contesto del tempo, oltre che dello spazio. Ecco perché Previte ed Element Biosciences hanno sviluppato strumenti come AVITI 24, un sistema multiomico 5D per il sequenziamento multiomico spaziale a singola cellula e di alta qualità a prezzi accessibili.

I punti salienti di questa intervista sono stati modificati per motivi di lunghezza e chiarezza.

IPM: Raccontaci del tuo percorso professionale. Come sei arrivato dove sei oggi?

Previte: Sono cresciuto a North Boston, dove molti vicini lavoravano alla GE ed alla Polaroid locale; uno era elettricista ed un camionista viveva più avanti. Sono cresciuto con molti immigrati italiani, irlandesi ed ebrei nel quartiere.

Ho frequentato il Boston College come studente di dottorato. Ho fatto domanda al Boston College solo perché ero incerto sui miei progetti futuri. Il mio relatore mi presentò molto presto ad un professore del MIT, che fu così gentile da assegnarmi una scrivania nel suo laboratorio. Non ero mai stato a Cambridge. Non dimenticherò mai di essere entrato in quel posto e di aver capito che era molto diverso. Entravo negli uffici ed un tizio mi scambiava per quello al telefono. Quando ero in laboratorio, qualcuno mi scambiò per uno degli operai edili, e ci furono diverse occasioni in cui fui scambiato per un bidello a un certo punto. Il MIT mi offrì un'opportunità unica per esplorare vari aspetti della scienza ed imparare molto in poco tempo. Ciò che mi portò lì fu che iniziai ad approfondire la scienza.

Inoltre, avevo un amico che giocava come cornerback per la Columbia Britannica, Jay McGillis. A Jay fu diagnosticato un linfoma intorno ai 21 anni. Mentre era al Dana-Farber Cancer Institute, lavoravo al piano di sotto come tirocinante su linee cellulari farmacoresistenti ed andavo a trovarlo ogni sera. Le sue condizioni si sono semplicemente affievolite; nel giro di sei mesi se n'era andato. Più tardi, alla sorella gemella della mia migliore amica fu diagnosticata la leucemia, e morì circa sei mesi dopo. Quindi, mi stavo davvero orientando verso la medicina, ma credo di essermi posto troppe domande e di aver dedicato troppo tempo a cercare di rispondere.

Ho iniziato a studiare specializzazione e ho iniziato ad imparare a costruire strumenti ed a studiare sistemi fisici, biologia e chimica con la strumentazione e la spettroscopia. Poi, quando sono arrivato al MIT e ho iniziato a vedere cellule in funzione su questi strumenti e tessuti, ho capito che ci sono infinite domande a cui si potrebbe rispondere se avessimo la giusta attrezzatura ed il giusto test per la biologia.

Fin da subito, volevo trovare risposte alla domanda: esiste un modo migliore per aiutare le persone che non stanno bene e curare il cancro? Perché il cancro, a quel tempo, e forse lo è ancora, era una questione di come si possa uccidere il cancro più velocemente della persona. È un po' così che funziona, ed è il meglio che possiamo fare. Ma ho notato che probabilmente non era un sistema così semplice, perché la maggior parte delle persone al MIT studiava i percorsi biologici, che erano enormi reti e percorsi. Se non si riusciva a vedere questo, la domanda era: si può fare qualcosa? Credo di esserlo sempre stato, dopo aver provato a farlo.

IPM: Perché ritieni che il cancro non sia ancora stato "risolto" clinicamente? Cosa pensi del cancro e cosa pensi che si debba fare per comprenderlo?

Previte: Quando mi occupavo di imaging di cellule vive e costruivo una strumentazione al MIT, la biologia delle cellule vive, all'epoca, utilizzava molte proteine fluorescenti. Si studiava la dinamica di questa proteina: una volta attivata, dove si lega e dove va? Quegli esperimenti di imaging vengono eseguiti in poche ore, se la cellula rimane in vita per così tanto tempo, ma sono estremamente noiosi e davvero impegnativi. Quando si osserva una mappa del percorso di biologia dei sistemi, i processi avvengono in pochi millisecondi o minuti. Tradizionalmente, quando effettuiamo misurazioni, siamo limitati ad un periodo compreso tra 24 e 48 ore. Quante cellule sono sopravvissute o sono morte? Se si ottiene questo, allora forse si passa a un modello animale, e poi ad un modello umano.

Il problema è che ciò che accade realmente quando si applica una permutazione – diciamo che si aggiunge un farmaco ad una cellula – è che il farmaco interagisce con quella cellula immediatamente. Ciò che si osserva nelle 24 ore successive a tutto ciò che è accaduto a monte. Ciò che accade a monte in quell'enorme rete di proteine e molecole che interagiscono tra loro avviene su scale temporali rapide: minuti e ore. Se si riesce a mappare tutto questo, si possono ottenere informazioni come: "Questo farmaco sta causando problemi in una parte specifica del percorso" oppure "Ecco un altro punto in cui potremmo inibire il percorso per prevenire la divisione cellulare". Cercare di costruire una risorsa per farlo su larga scala è un compito arduo.

Abbiamo sviluppato questa chimica utilizzando tutte le conoscenze che avevamo in materia di proteine e biochimica, ed è stata costruita per risolvere questo problema. Il sequenziamento è importante ed un test prezioso, ma le informazioni dinamiche – come cosa sta succedendo, come funziona un farmaco e come curare i singoli individui – richiedono un quadro più ampio di ciò che sta accadendo a tutte le molecole in una particolare cellula o tessuto. Questo è difficile perché è costoso. Richiede molto tempo in termini di flusso di lavoro, richiede uno sforzo significativo e le misurazioni devono essere eseguite in modo iterativo e rapido. Le chimiche che abbiamo creato sono state costruite per risolvere questo problema. Ora è possibile utilizzare una cella a flusso per analizzare i dati dell'andamento temporale di cellule ed organoidi perturbatori e capire come cambiano le loro risposte. Quindi posso aggiungere un effettore secondario che potrebbe bloccare una via che aiuterebbe il primo effettore. E poiché siamo tutti diversi, tu ed io, risponderemo in modo diverso. Ecco perché i trattamenti contro il cancro hanno un'efficacia solo del 5% o del 25%; Non tutti rispondono e le cellule trovano un modo per eludere il farmaco, quindi è necessario continuare ad assumerlo. Ecco perché volevamo cogliere il fattore temporale, perché il tempo è fondamentale ed una cellula si evolve ogni secondo. Se non si ha una chiara comprensione di questo quadro, si rimane con una comprensione limitata. 

IPM: Perché il tempo è un fattore così cruciale per comprendere la biologia?

Previte: Mi piace sempre usare questa analogia perché la trovo preziosa. Se vai in una biblioteca, posso darti un dizionario con tutte le parole di ogni libro, ma senza contesto. Avrai davvero difficoltà a leggere qualsiasi cosa in biblioteca. Come se avessi difficoltà non solo a scrivere una storia, ma anche a leggerla. Il sequenziamento ci ha permesso di dire: "Ehi, ecco le parole nel dizionario". Conosciamo un po' il contesto, ma non come viene letta o scritta la storia. E questa è la biologia. È come se, poiché il DNA passa all'RNA – lo impariamo tutti a BIO101 – l'RNA viene trascritto e poi l'RNA viene tradotto in una proteina, e poi una proteina viene modificata e queste proteine modificate si muovono nella cellula ed inviano segnali attraverso di essa, come tutti sappiamo. Ma l'idea era che avresti dovuto osservare una malattia somatica e dire: "Ehi, ho rilevato una mutazione in Jonathan e Mike, e sarò in grado di diagnosticarli". Beh, non lo sei perché non sai quale potrebbe essere il risultato di quella mutazione; potrebbe non essere nulla. Potresti sapere che ho il cancro, ma non il perché. Cosa sta facendo quella mutazione? Il problema è causato da un livello più elevato di espressione proteica od è interessato un percorso diverso che sta causando il problema? Ci sono altre mutazioni che contribuiscono a questa situazione?

Per malattie comuni come il cancro al seno, circa il 50% dei pazienti risponde al trattamento, mentre il restante 50% no. Quando viene somministrato questo trattamento, a volte le cellule cambiano e si comportano in modo diverso. Non si tratta di sequenziamento dei dati. È fondamentalmente così che questo sistema cellulare interagisce con tutte le molecole. E qual è il problema? Quindi, credo che dobbiamo rivedere il contesto. Avevo l'impressione di averlo capito, ma non credo che ci siamo riusciti né lo faremo. Forniremo alcuni strumenti che consentiranno a questi sistemi di intelligenza artificiale di essere molto più efficaci, perché il nostro strumento fornisce proteine, fosfoproteine, morfologia e RNA, tutto in un'unica analisi. Col tempo, questo diventerà molto più potente, ma non sarà sufficiente. Qualcuno dovrà inventare metaboliti, altri aspetti epigenetici e tutto il resto. Continueremo a insistere, ma penso che le persone lo capiranno, le persone stanno iniziando a capirlo, come se la multiomica stesse diventando sempre più importante. Penso che lo stiano ottenendo, ma c'è ancora molta voce che otterrò tutto l'RNA, otterrò tutto il DNA, e questo sarà sufficiente. E io non credo proprio che sarà sufficiente. 

I sistemi che sviluppiamo per studiare la biologia richiederanno una lettura completa in tempi brevi, consentendo rapide iterazioni nel tempo. Quindi si utilizza l'intelligenza artificiale per prevedere l'output e comprenderne le prestazioni in cellule specifiche o mutate. Più si costruisce questa organizzazione di informazioni, più si può fare ciò che pensavamo che il sequenziamento avrebbe fatto. Una volta compreso il contesto e costruiti i modelli in linea con le aspettative, si può fare riferimento al genoma; la combinazione di questi elementi genererà un fattore di probabilità per una malattia. Credo che tornare alle basi, simili alle nostre pratiche attuali, semplificando i sistemi e garantendo che mantengano la complessità e la lettura necessarie, sarebbe il passo successivo migliore.

Sono diabetico; sono diabetico di tipo 1: cosa è cambiato? Ho un monitoraggio continuo della glicemia e diversi tipi di insulina. Ma esiste una cura? C'è comprensione? Abbiamo speso molti soldi e condotto ricerche approfondite su questo argomento; cosa ci impedisce di fare progressi? Perché non siamo più avanti? Credo che uno dei motivi sia che siamo in qualche modo limitati dalle informazioni attualmente a nostra disposizione. 

IPM: Secondo lei, qual è la domanda chiave a cui bisogna rispondere per realizzare la promessa della medicina di precisione?

Previte: La chiave è come ottenere un test surrogato... che sia sufficiente per essere in vantaggio, in modo da poter essere più specifici quando si arriva al test vero e proprio. La medicina di precisione ne ha bisogno. Ha bisogno di un test surrogato di qualità, e non deve essere accurato al 100%. 

Ecco perché penso che la cellula diventi un punto di maggior valore. Si ha la possibilità di ospitare la cellula in una camera, propagarla, trattarla, osservare diverse risposte e quindi fare delle valutazioni e dire: "Potrei essere in grado di offrirti un trattamento migliore in base a come le tue cellule rispondono al test". Quando andiamo dal medico, fanno un esame del sangue ed un profilo metabolico, e questo è tutto. Magari ad un certo punto si viene sequenziati, ma non c'è abbastanza profondità per capire cosa sta succedendo. Quindi, credo che un test come questo, od altri simili sviluppati da altri, possa fornire le informazioni sulla risposta dinamica delle cellule di cui ho bisogno per accompagnare il mio protocollo di trattamento.

Cerchiamo tutti di semplificare il più possibile le cose, perché è così che siamo fatti come esseri umani. Quindi, penso che questa sarebbe la strada da seguire, ad esempio se potessi prendere – prelevo campioni di sangue a Jay ogni settimana od ogni volta che si sottopone ad un trattamento, propagarli e vedere cosa succede – potrei cambiare perché le mutazioni che sto trattando non sono quelle giuste. Deve essere veloce.

Quindi, possiamo tornare ad utilizzare linee cellulari e colture cellulari? Può essere più complesso di un solo tipo di cellula. Se ottengo dati più completi da questi test, sono più predittivi del comportamento clinico e della risposta? Quindi, in sostanza, posso iniziare ad eliminare i modelli animali. Ho una previsione migliore di ciò che sta accadendo alla persona prima ancora di arrivarci. Questa sarebbe la mia domanda. Questa è la mia grande domanda. Se possiamo dimostrare che quel test surrogato è migliore del 30%, 40% o 50% perché abbiamo più informazioni provenienti da un singolo set di dati, allora sarebbe un punto di partenza fantastico perché, in sostanza, ora si inizia a tornare a quel punto ed a procedere molto velocemente. Quindi, la capacità di modellare gli esseri umani, sia attraverso singole cellule, organoidi od altri modelli di tessuti multicellulari, servirà come un punto di partenza significativo per quella che credo sarà una nuova era nell'assistenza sanitaria e nella ricerca medica.

ENGLISH

Mike Previte, PhD, Element Biosciences CTO and co-founder, is reimagining how we study cells and model disease to evolve precision medicine

Jonathan D. Grinstein, PhD, the North American Editor of Inside Precision Medicine, hosts a new series called Behind the Breakthroughs that features the people shaping the future of medicine. With each episode, Jonathan gives listeners access to their motivational tales and visions for this emerging, game-changing field.

The sensational film Good Will Hunting—about a self-taught math and physics genius from South Boston, out on parole and working as a janitor at MIT—wasn’t based on a true story. But that doesn’t mean such a story never happened. It did, just with a few key differences—the most important being that the brilliant young Bostonian isn’t focused on theoretical math; he’s focused on biology and medicine. That man is Mike Previte, PhD, who is chief technology officer and co-founder of Element Biosciences, where he’s developing tools to study complex biochemical systems.

In this episode of Behind the Breakthroughs, Previte discusses fundamental biomedical tools like DNA and RNA sequencing, which he worked on while at Illumina, as well as microscopy, which are incredibly useful, but fall short of giving us a full picture of a living cell, tissue, or organism. Previte believes that if precision medicine is ever to become predictive of how cells, tissues, and organisms—such as ourselves—behave and react to mutations, the environment, and drugs, we need to be studying things in the context of time, as well as space. That’s why Previte and Element Biosciences have built tools like AVITI 24—a 5D multiomics system for spatial, single-cell multiomics and high-quality, affordable sequencing.

Highlights of this interview have been edited for length and clarity.

IPM: Tell us about your career journey. How did you get to where you are today?

Previte: I grew up in North Boston, where many neighbors worked at GE and local Polaroids; one was an electrician, and a truck driver lived up the street. I grew up with a lot of Italian, Irish, and Jewish immigrants in the neighborhood.

I went to BC [Boston College] as a grad student. I only applied to BC because I was uncertain about my future plans. My advisor introduced me to a professor from MIT very early on, who was kind enough to give me a desk in his lab there. I had never been to Cambridge. I’ll never forget walking into that place and realizing it was very different. I would walk into people’s offices, and one guy mistook me for the phone guy. When I was in the lab, somebody mistook me for one of the construction workers, and there were several instances where I was mistaken for a janitor at one point. MIT provided me with a unique opportunity to explore various aspects of science and learn extensively in a short period of time. What led me there was that I started to really dig into science.

Also, I had a friend of mine who was a cornerback for BC, Jay McGillis. Jay was diagnosed with lymphoma at around the age of 21. While he was at the Dana-Farber Cancer Institute, I worked downstairs as an intern on drug-resistant cell lines and would go up to see him every night. He just waned away; in six months he was gone. Later, my best friend’s twin sister was diagnosed with leukemia, and she passed away approximately six months later. So, I was really angling to medicine, but I think I asked too many questions and spent too much time trying to answer them.

I got into grad school and started learning how to build instruments and study physical systems, biology, and chemistry with instrumentation and spectroscopy. Then, when I got to MIT and started seeing cells going on these instruments and tissues, I realized there’s an infinite number of questions that could be answered if we had the right equipment and the right assay for biology.

Very early on, I wanted to get answers to the question: Is there a better way to help people who are not doing so well and treat cancer? Because cancer was, at that time, maybe still is, about whether you can kill the cancer faster than the person. That’s a little bit how it’s done, and that’s the best we can do. But I noticed that it was probably not that simple as a system because most of the people at MIT were looking at biological pathways, which were huge networks and pathways. If you couldn’t see that, the question was, can you do anything? I think I always was after trying to do that.

IPM: Why do you think cancer remains to be “solved” clinically? How do you think about cancer, and what do you think needs to be done to understand cancer?

Previte: When I was doing the live cell imaging and building an instrumentation at MIT, live cell biology, at the time, used a lot of fluorescent protein. They would be looking at the dynamics of this protein: once it gets turned on, where does it bind, and where does it go? Those imaging experiments are done in hours—if the cell stays alive for that long—but they’re super tedious and they’re really challenging. When you look at a systems biology pathway map, the processes occur within milliseconds to minutes. What we’re traditionally restricted to when we do measurements is that we measure between 24 hours and 48 hours. How many of the cells lived, or did they die? If you get that, then maybe you go into an animal model, and then maybe you go into a human model.

The problem is that what’s actually happening when you apply some permutation—let’s say you add a drug to a cell—is that the drug interacts with that cell immediately. What you’re looking at 24 hours is always past all of the things that happened upstream. The things that are happening upstream in that huge network of proteins and molecules interacting with each other are happening at fast time scales: minutes and hours. If you can map that out, you can gain insights such as, “This drug is causing issues in a specific part of the pathway,” or, “Here is another location where we could inhibit the pathway to prevent cell division.” Trying to build an asset to do that at scale is a hard problem.

We developed this chemistry using all the protein and biochemistry knowledge we had, and it was built to solve that problem. Sequencing is important and a valuable assay, but dynamic information—like what’s happening and how a drug works and how to treat individuals—requires a bigger picture of what’s going on with all the molecules in a particular cell or tissue. That’s hard because it’s expensive. It is time-consuming in terms of workflow, requiring significant effort, and you need those measurements to be taken iteratively and quickly. The chemistries that we created were built for solving that problem. You can now use a flow cell to analyze time course data for perturbing cells and organoids and understand how their responses change. Then I can add a secondary effector that may block a pathway that would help the first effector. And because we’re all different, you and me, we are going to respond differently. That’s why cancer treatments are only 5% or 25% effective; not everyone responds, and the cells find a way to evade the drug, so you have to keep taking it. That’s why we wanted to get the temporal factor, because time is critical, and a cell is evolving every second. If you don’t have a clear understanding of this picture, you’re left with a limited understanding. 

IPM: Why is time such a crucial component to comprehending biology?

Previte: I always like to use this analogy because I think it’s valuable. If you go to any library, I can give you a dictionary of all the words in every book there, but no context. You’re going to have a real hard time reading anything in the library. Like you’re going to have a hard time not only writing a story but also reading a story. What sequencing got us was, hey, here are the words in the dictionary. We know some of the context, but not how the story is read or written. And so that’s the biology. That’s like, because DNA goes to RNA—we all learn this in BIO101—RNA gets transcribed and then RNA gets translated into a protein and then a protein gets modified and those modified proteins move around the cell and send signals through the cell, like we all know that. But the idea was that you were going to look at a somatic disease and say, “Hey, I detected a mutation in Jonathan and Mike, and I’m going to be able to diagnose them.” Well, you’re not because you don’t know what the result of that mutation could be; it could be nothing. You may know I have cancer, but not why. What is that mutation doing? Is the issue caused by a higher level of protein expression, or is there a different pathway affected that is causing the problem? Are there other mutations contributing to this situation?

For common diseases like breast cancer, about 50% of patients respond to the treatment, while 50% do not. When that treatment is provided, sometimes the cells change and behave differently. That’s not sequencing data. That’s basically how this cellular system interacts with all the molecules. And what is the problem? So, I believe we need to revisit the context. I was under the impression that we had figured it out, but I don’t think we did or will figure it out. We’re going to provide some tools that can allow those AI systems to be way more effective because our tool gives out protein, phosphoprotein, morphology, and RNA all in a single run. Over time, that’s going to be way more powerful, but it’s not going to be enough. Somebody’s going to have to come up with metabolites, other epigenetics, and all that kind of stuff. We’ll keep pushing there, but I think people are going to—people are starting to get it, like multiomics is becoming more and more important. I think they’re getting it, but there’s still a lot of noise that I’ll get all the RNA, I’ll get all the DNA, and that’ll be enough. And I just don’t think that’s going to be enough. 

The systems we develop for studying biology will require a comprehensive readout in a short time frame, allowing for rapid iterations over time courses. Then you use AI to predict the output and understand its performance in specific or mutated cells. The more you build that information pipeline, the more we can do what we thought sequencing would do. Once you understand the context and build the models that align with your expectations, you can refer back to the genome; when these elements combine, they will generate a probability factor for a disease. I believe that returning to the basics, similar to our current practices, while simplifying the systems and ensuring they still possess the necessary complexity and readout, would be the best next step.

I’m diabetic; I’m a type I diabetic—what’s changed? I have a continuous glucose monitor and several different types of insulin. But is there a cure? Is there an understanding? We spent a lot of money and conducted extensive research on this topic; what is preventing us from making progress? Why aren’t we further along? I believe one reason for this is that we are somewhat limited by the information currently available to us. 

IPM: What do you think is the key question that needs to be addressed to realize the promise of precision medicine?

Previte: The key is how do you get a surrogate assay…that’s enough to get you ahead, so you can be more specific when you get to the real assay. Precision medicine needs that. It needs the quality surrogate assay, and it doesn’t have to be 100% accurate. 

That’s why I think the cell becomes a more valuable point. You have the option to house the cell in a chamber, propagate it, treat it, look at different responses, and then make some assessments and say, “I might be able to give you a better treatment based on how your cells are responding to the assay.” When we go to the doctor, they take a blood test and metabolic profile, and that’s it. Maybe you get sequenced at some point, but there’s not enough depth to understand what’s happening. So, I believe that an assay like this, or similar ones developed by others, can provide the dynamic response information about cells that I need to accompany my treatment protocol.

We are all trying to make things as easy as possible because that’s just how we are as humans. So, I do think that that would be the path to pursue, like if I could take—I’m taking Jay’s blood samples every week or every time he has a treatment, propagate them, and see what is happening—I might change because the mutations I’m treating are not the right ones. It’s got to be quick.

So, can we go back to using cell lines and cell culture? It can be more complex than just one cell type. If I have more comprehensive data coming out of those assays, are they more predictive of clinical behavior and response? So essentially, I can start eliminating the animal models. I have a better prediction of what’s happening to the person before I even get there. That would be my question. That’s my big question. If we can prove that that surrogate assay is 30%, 40%, or 50% better because we have more information coming from a single data set, then that would be an awesome place because essentially, now you start to move back to that and move real fast. So, the ability to model humans—whether through individual cells, organoids, or other multicellular tissue models—will serve as a significant starting point for what I believe will be a new era in healthcare and medical research.

Da:

https://www.insideprecisionmedicine.com/topics/translational-research/more-than-a-feeling-predicting-biology-with-spatiotemporal-multi-omics/?_hsenc=p2ANqtz-_OeTUUeB9865CptqRjo89avC34L0kK3HawGr3O57ubrJmqsqWP7LoZwkO0pTnLS66S7OxQ_co4eSv3R9egWItZsSPH1lN5pGQM5w1T4szPg3ctLmU&_hsmi=370891704