What Can an In Vitro Model Establish? A Claim-Specific Validation Framework for Neural and Bioelectronic Interfaces

Immaginate un mondo in cui minuscoli dispositivi elettronici vengono impiantati direttamente nel corpo umano per ripristinare i sensi perduti, calmare i tremori o riparare i nervi danneggiati. Questi dispositivi, noti come interfacce neurali, sono il ponte tra la nostra biologia e le macchine che costruiamo. Per garantire che siano sicuri ed efficaci, gli scienziati devono testarli prima ancora che tocchino un paziente umano. Coltivano cellule in piastre, creano modelli di tessuto in miniatura ed eseguono simulazioni al computer per vedere come si comportano i dispositivi. L'obiettivo è prevedere cosa accadrà all'interno di una persona vivente. Tuttavia, un problema significativo è emerso in questo campo: i ricercatori spesso scambiano un test riuscito in una piastra per una garanzia di successo in una persona. Il fatto che un dispositivo funzioni con un tipo specifico di cellula in laboratorio non significa che funzionerà con la realtà complessa e disordinata di un cervello umano o di una ferita in fase di guarigione. Il salto da un esperimento controllato a un risultato medico nel mondo reale è spesso troppo ampio, e le prove utilizzate per attraversarlo sono frequentemente assenti.

Una nuova revisione di Andy Kristiansen, pubblicata dal Gruppo di Ricerca Akkredited, affronta esattamente questo problema. Il documento non propone una nuova macchina o una nuova scoperta biologica. Invece, offre un nuovo modo di pensare su come gli scienziati debbano connettere i loro esperimenti alle loro conclusioni. L'autore sostiene che l'attuale metodo di validazione di questi dispositivi sia spesso troppo vago. Gli scienziati prendono frequentemente un risultato da un test specifico — come un materiale che cambia le sue proprietà elettriche in un liquido — e lo usano per sostenere una rivendicazione molto più grande, come il fatto che il dispositivo sia sicuro per l'uso a lungo termine in un corpo umano. Il documento suggerisce che questo sia un errore logico. Propone un quadro rigoroso, una sorta di checklist, che costringe i ricercatori a definire esattamente ciò che il loro esperimento può provare e, altrettanto importante, ciò che non può provare.

Il nucleo di questo nuovo framework è un'idea semplice ma potente: un modello è valido solo quanto la specifica domanda a cui è progettato per rispondere. Il documento suddivide il processo di validazione in una catena di legami. Primo, c'è la rivendicazione (claim), ovvero l'affermazione specifica che un ricercatore vuole fare, come "questo materiale non danneggerà il tessuto cerebrale". Successivamente, c'è la relazione richiesta (required relation), che è la reale connessione biologica o fisica che deve esistere affinché la rivendicazione sia vera. Poi viene il modello, l'esperimento stesso, che deve rappresentare quella specifica connessione. Infine, c'è l'endpoint, la misurazione effettuata, e il comparatore, lo standard utilizzato per il confronto. Il framework insiste sul fatto che ogni anello di questa catena debba essere visibile e verificato. Se un anello manca, la catena si spezza e la rivendicazione non può essere sostenuta, indipendentemente dalla sofisticatezza delle apparecchiature utilizzate.

Per illustrare perché questo sia importante, il documento analizza otto diversi tipi di rivendicazioni comuni nella ricerca sulle interfacce neurali. Un esempio riguarda la trasformazione del materiale. Uno scienziato potrebbe dimostrare che un elettrodo si corrode quando posto in un liquido salino. Questo è un fatto. Ma il documento sottolinea che questo fatto non prova automaticamente che l'elettrodo si corroderà all'interno di un corpo umano, né prova che la corrosione rilascerà particelle tossiche nel cervello. Il liquido nella piastra non è lo stesso del tessuto nel corpo. Un altro esempio riguarda la risposta cellulare. Un test potrebbe mostrare che un dispositivo non uccide un tipo specifico di cellula in una piastra. Questo è un risultato positivo. Tuttavia, il documento sostiene che ciò non prova che il dispositivo sia sicuro per un intero organismo, poiché la piastra manca del sistema immunitario e di altri tessuti che potrebbero reagire diversamente al dispositivo nel tempo.

La revisione evidenzia anche come aggiungere complessità a un modello non risolva sempre il problema. Alcuni ricercatori credono che se rendono il loro modello di laboratorio più complesso — aggiungendo più tipi di cellule o facendo in modo che il tessuto assomigli di più a un vero cervello — questo diventerà automaticamente un miglior predittore degli esiti umani. Il documento contesta questa assunzione. Suggerisce che un modello complesso è utile solo se include la specifica caratteristica biologica necessaria per rispondere alla domanda. Se un ricercatore sta studiando come un farmaco si muove attraverso una barriera, aggiungere semplicemente più tipi di cellule alla piastra non aiuta se le cellule della barriera specifiche necessarie per quel trasporto sono ancora mancanti. Il documento sottolinea che la complessità biologica e la capacità di trarre una conclusione corretta sono due cose diverse. Un modello semplice può essere perfettamente adeguato per una domanda ristretta, mentre un modello complesso può essere inutile per una domanda diversa se mancano gli ingredienti giusti.

L'autore applica questa logica a vari scenari, inclusi il modo in cui i segnali elettrici vengono registrati e come i dispositivi interagiscono con il tessuto vivente. Evidenziano che registrare picchi elettrici da una rete di neuroni in una piastra prova che il dispositivo può rilevare l'attività, ma non prova che il dispositivo possa ripristinare una funzione persa come il movimento o la vista. Il salto da "rilevare un segnale" a "ripristinare una funzione" richiede un ponte di prove che spesso non esiste. Allo stesso modo, un dispositivo potrebbe funzionare bene in un pezzo di tessuto prelevato da un animale, ma ciò non garantisce che funzionerà in un essere umano, poiché il corpo umano ha proprietà e reazioni diverse. Il documento insiste sul fatto che i ricercatori debbano essere espliciti riguardo a queste lacune. Devono dichiarare chiaramente che il loro risultato si applica solo alle condizioni specifiche che hanno testato, e che estenderlo a un paziente umano richiede un passaggio separato e validato.

Uno dei contributi più importanti di questo lavoro è l'identificazione di tre tipi specifici di lacune (gap) che causano questi errori. La prima è una lacuna nel modello stesso, dove l'esperimento manca di una parte cruciale della biologia, come una cellula immunitaria o un vaso sanguigno, che è necessaria per la rivendicazione. La seconda è una lacuna nella misurazione, dove lo scienziato sta osservando la cosa sbagliata o non la sta misurando con abbastanza precisione per sostenere la conclusione. La terza è una lacuna nel trasferimento, dove il ricercatore cerca di applicare un risultato da un contesto, come un test a breve termine in una piastra, a un contesto diverso, come un impianto a lungo termine in una persona, senza provare che la connessione si mantenga. Il documento sostiene che queste tre lacune richiedono soluzioni diverse. Non si può risolvere una mancanza di componenti biologiche effettuando più misurazioni, e non si può risolvere un errore di misurazione aggiungendo più complessità biologica. Ogni problema ha bisogno di un rimedio specifico.

La revisione conclude esortando la comunità scientifica ad adottare questo approccio più disciplinato. Non richiede agli scienziati di costruire modelli più elaborati o di eseguire test più costosi. Invece, chiede loro di essere più onesti su ciò che i loro test attuali possono e non possono dire loro. Definendo chiaramente i limiti dei loro esperimenti, i ricercatori possono evitare di fare rivendicazioni che non sono supportate dai loro dati. Questo non significa che i modelli in vitro siano inutili; al contrario, il documento ne conferma il valore quando usati correttamente. Un esperimento ben progettato può fornire una risposta completa e preziosa a una domanda specifica. Il pericolo risiede nel pretendere che una piccola risposta sia una grande risposta. Il documento suggerisce che, utilizzando questo framework, gli scienziati possano progettare migliori esperimenti, interpretare i loro risultati in modo più accurato e, infine, costruire interfacce neurali più sicure ed efficaci per il futuro. Il lavoro rimane una proposta, una guida metodologica che non è ancora stata testata contro le pratiche esistenti, ma offre una via chiara verso una scienza più affidabile in un campo in cui la posta in gioco è alta.