Gli oli essenziali (OE) sono miscele complesse ottenute mediante distillazione in corrente di vapore, idrodistillazione, estrazione con solventi, ed altre tecniche. Da una stessa pianta è possibile ottenere OE con diversa composizione chimica, solitamente analizzata mediante GC/MS, anche influenzata anche da altri fattori: periodo di raccolta, sito, clima, etc. In studi precedenti, condotti dal PI, è stato dimostrato che la composizione chimica è responsabile dell'attività biologica. Mediante applicazione di machine learning (ML) per definire dei modelli di relazione quantitativa composizione-attività (QCAR) si è dimostrato che è possibile identificare il componente o i componenti responsabili delle caratteristiche biologiche associate agli OE. Recentemente tecniche di ML in seguito ad uno screening su 61 oli essenziali nei confronti di linee cellulari M14 è stato individuato il terpinen-4-ol quale uno dei principali componenti del Tea Treee Oil e responsabile dell'attività anti-melanoma.
Nel corso del precedente progetto è stato realizzato un DB interrogabile (eo.3d-qsar.com) chiamato informalmente PyEO che al momento contiene 2135 composizioni di OE, riconducibili a 938 diverse piante e 16031 attività biologiche, estratte da 1035 pubblicazioni scientifiche. Il portale costituisce la base di questo progetto. I dati disponibili saranno impiegati in algoritmi ML per lo sviluppo di modelli matematici che potranno essere utilizzati per eseguire la predizione di attività biologiche per OE a composizione nota. Nel DB saranno inclusi anche dati sperimentali generati nei lab del PI ed inoltre la loro analisi porterà all'individuazione dei componenti importanti. Questi saranno acquistati e/o purificati da OE per progettare miscee ad hoc attive verso determinati microorganismi. Questo innovativo progetto permetterà di creare protocolli applicativi per guidare la scelta di piante aromatiche capaci di produrre OE con una determinata composizione e quindi la loro coltivazione
Come risultato della ricerche già finaziate centinaia di oli essenziali (OE) sono stati distillati mediante idrodistillazione (ID) e corrente di vapore (CV) da piante aromatiche sia essiccate che fresche. I campioni sono immagazzinati a -25°C per essere sottoposti in seguito alla loro caratterizzazione. Molti campioni sono stati già caratterizzati chimicamente e/o biologicamente. Mentre si scrive il progetto altri oli essenziali sono in continua produzione come svolgimento per precedente progetto di Ateneo, attività che sarà continuata anche in questa proposta. In parallelo durante lo svolgimento del progetto 2020 una certa quantità di dati sono stati collezionati da migliaia di articoli scientifici e usati per compilare un database disponibile nel portale eo.3d-qsar.com (PY-EO).
Tra le innovazioni che si propone:
- Ulteriori estrazione di OE e di idrolati sia da piante coltivate industrialemente o in coltivazioni sperimentali.
- Sviluppo di una serie di modelli ML sui dati immagazzinati in PY-EO
- Ampliamento ed aggiornamento della piattaforma PY-EO e del database associato
- Sviluppo di un protocollo per di progettare oli essenziali con caratteristiche biologiche mirate
- Utilizzo dei modelli ML per selezionare ad hoc piante aromatiche per la produzione mirata di specifici oli essenziali
Lo sviluppo di modelli machine learning sarà rivolto sia alla individuazione mirata di piante in grado di fornire oli essenziali quanto più vicina alla composizione progettata, inoltre questo metodo sarà anche utilizzato per 'correggere' oli essenziali con altri al fine ottenere la composizione desiderata e cosi progettare OE 'blended'. Questo approccio potrebbe rispondere alle crescenti richieste dal mondo commerciale per nuovi prodotti di origine naturale quali alternative ai derivati di sintesi, che le sempre più stringenti regole del REACH continuamente bandiscono.
A riguardo degli avanzamenti delle conoscenze rispetto allo stato dell'arte il gruppo di ricerca organizzato dal proponente in base alle recenti pubblicazioni si presenta con un elevato grado di interdisciplinarietà che va dalla estrazione in corrente di vapore all'analisi chimica in GC/MS, dai saggi biochimici agli esperimenti in semi-vivo su organi solati per finire con l'aggregazione dei dati mediante algoritmi di machine learning, dove con un certo grado di innovazione le competenze spaziano dal chimico esperto nell'estrattiva al chimico analitico, dal biochimico al microbiologo e al farmacologo per essere tutte accumunate dal chimico chemometrico o computazionale in un'unico assemblamento sinergico in cui ognuno svolge una parte essenziale alla realizzazione del progetto.
Infine si vuole sotttolineare che da una approfondita ricerca in letteratura non si è trovato ancora nessun approccio simile a quello qui proposto, indicando che la progettazione di oli essenziali è un concetto altamente innovativo specialmente considerando i volumi economici in cui sono coinvolti.