Resilienza alla Malattia da Biomarcatori Multi Omici a Interventi di Medicina di Precisione

Resilienza alla Malattia da Biomarcatori Multi‑Omici a Interventi di Medicina di Precisione

Autore: Dr. Gianluca Latino
Affiliazioni: [Da completare]
Autore corrispondente: [gianluca.latino@gmail.com]
Tipo: Perspective/Mini‑Review strutturata secondo Template Universale
Target Journal: Nature Medicine / Nature Metabolism / Nature Reviews Disease Primers
Word Count stimata: ~3.800

Riassunto

La resilienza è la capacità misurabile di restare in salute nonostante rischio genetico e ambientale elevato.
Ha una quota stabile di tratto e una quota dinamica di stato che cambia con stress, abitudini e contesto.
Le coorti multi-omiche e proteomiche rivelano fattori protettivi e vulnerabilità, poi collegati a fenotipi clinici.
Si integrano dati biologici con psicometria, reti sociali ed exposoma per un quadro completo.
Biomarcatori chiave sono flessibilità metabolica, assetto redox, proteostasi e qualità delle reti mitocondriali.
Su questi segnali si costruiscono “resilience clocks” che stimano nel tempo la capacità protettiva per organo.
Modelli interpretabili, calibrati e validati esternamente trasformano i dati in punteggi utilizzabili.
La pratica clinica combina rischio e resilienza per screening, stratificazione e scelta di target terapeutici.
Gli interventi sono personalizzati e multimodali: esercizio, nutrizione, modulazione infiammatoria, supporto psico-sociale, riduzione delle esposizioni.
Con governance etica e criteri di fairness, la medicina diventa proattiva e guida politiche di precisione.

Key Points

• Definizione operativa — Resilienza: capacità misurabile di mantenere salute e funzione nonostante profili di rischio genetici e ambientali elevati (trait vs state) [2–4].
• Framework multidimensionale — Integrazione di domini biologici, psicologici, sociali e ambientali in modelli predittivi interpretabili [5–8].
• Base di evidenza — Coorti multi‑omiche e proteomiche su larga scala (es. GNPC: ~40.000 campioni; ~300M misure) identificano fattori protettivi; APOE ε4 è vulnerabilità necessaria ma non sufficiente nel contesto neurodegenerativo [9–13,46].
• Resilience clocks — Indicatori dinamici organo‑specifici, ispirati agli aging clocks epigenetici e multi‑sistema, per quantificare nel tempo la capacità protettiva [14–18].
• Implementazione clinica — Pipeline per screening, stratificazione e interventi personalizzati; misure di outcome riproducibili e report secondo TRIPOD e metodiche correlate [6,20–22].
• Population health — Modelli rischio‑resilienza per allocazione di risorse in emergenze climatiche e sanitarie [23–25].
• Etica ed equità — Standard di fairness algoritmica, privacy e rappresentatività per evitare disparità [26–28].

Abstract (250–300 parole)

Background. I modelli di rischio tradizionali spiegano solo parzialmente gli esiti clinici: individui ad alto rischio possono rimanere sani, implicando meccanismi protettivi attivi, ossia resilienza [2–4].
Obiettivo. Proporre un framework operativo e misurabile della resilienza che integri multi‑omica, psicometria, contesto sociale e ambientale, e delinei percorsi di traduzione clinica [5–8].
Evidenze chiave. Grandi dataset multi‑omici e proteomici permettono l’identificazione di biomarcatori di resilienza; in ambito neurodegenerativo, APOE ε4 aumenta la vulnerabilità ma non determina da solo l’esito clinico [9–13,46]. Evidenze longitudinali collegano supporto sociale, gestione dello stress e qualità ambientale a regolazioni favorevoli degli assi neuro‑immuno‑endocrini [3,4,34–36,23–25]. I progressi negli aging clocks suggeriscono la fattibilità di resilience clocks organo‑specifici [14–18].
Framework proposto. (1) definizioni operative (trait vs state) [2–4]; (2) integrazione multi‑omica con fenotipi clinici e psicometrici [5–8,29–31]; (3) pipeline di validazione con coorti longitudinali, ML interpretabile e validazione esterna [6,20–22]; (4) traduzione clinica in strumenti di screening e interventi personalizzati; (5) governance etica e di equità nella pratica [26–28].
Implicazioni. La quantificazione della resilienza può affinare la stratificazione del rischio, identificare target terapeutici, guidare la sanità pubblica di precisione e ridurre disparità [19–22,23–28]. Limiti. Eterogeneità definitoria, rischi di bias e complessità dell’integrazione multi‑modale [6]. Conclusione. Portare la resilienza da concetto descrittivo a misura operativa è una leva concreta per prevenzione, cura e politiche sanitarie.

1) Introduzione e scopo

La predizione del rischio di malattia ha generato strumenti utili ma incompleti [1]. Una quota di soggetti esposti a forti fattori predisponenti non sviluppa la patologia attesa [2,5]. Qui definiamo resilienza come la capacità, quantificabile, di mantenere salute e funzione nonostante stressori biologici e ambientali [2–4]. Distinguiamo trait resilience (determinanti relativamente stabili: varianti genetiche protettive, caratteristiche psicologiche, capitale sociale) e state resilience (adattamenti situazionali: plasticità metabolica‑mitocondriale, risposta allo stress, modifiche comportamentali) [2–4,36–39]. Obiettivo: proporre definizioni, misurazioni e una roadmap di implementazione clinica e di sanità pubblica.

2) Fondamenti biologici: asse metabolico‑sviluppo

2.1 Finestrature critiche e programmazione (DOHaD)

Durante embriogenesi e prima infanzia, finestre critiche (gastrulazione, neurulazione, organogenesi) impostano set‑point energetici e neuro‑endocrini via circuiti epigenetici (metilazione, rimodellamento della cromatina) su geni chiave (PGC‑1α, TFAM, SIRT, PPAR) [1,2,14–17]. Variabili materne (nutrizione, stress, infezioni, ambienti tossici) modulano in modo duraturo flessibilità metabolica, immunometabolismo e risposta allo stress [1,2,10].

2.2 Reti mitocondriali e flessibilità dei substrati

La resilienza adulta si manifesta come metabolic flexibility (switch efficiente tra glucosio, lipidi, chetoni, aminoacidi), qualità del controllo mitocondriale (biogenesi, dinamiche fusione/fissione, mitofagia) e omeostasi redox [36–39,41,42]. Pannelli metabolomici e funzionali (acilcarnitine, BCAA, rapporto lattato/pyruvato, NAD+/NADH; attività complessi I–IV; potenziale di membrana) forniscono segnali candidati di resilienza biologica [37–39].

2.3 Biochimica della resilienza: assi regolatori, segnali e parametri

Sensing energetico. L’asse AMPK–mTOR–SIRT integra stato energetico (AMP/ATP), disponibilità di nutrienti e rapporto NAD+/NADH per modulare anabolismo/catabolismo e biogenesi mitocondriale [47–49]. L’acetil‑CoA, il citrato e l’α‑chetoglutarato fungono da co‑substrati/“metabo‑segnali” per acetilazioni e demetilazioni istoniche, collegando flussi metabolici a cromatina [14–16,47].
Redox e citoprotezione. Il modulo NRF2–KEAP1 regola trascrizionalmente antiossidanti (GSH, TXN, PRDX) e detossificazione di elettrofili; resilienza elevata si associa a rapida attivazione NRF2 e ripristino del rapporto GSH/GSSG dopo stress ossidativo [50–52].
Proteostasi e risposta integrata allo stress. HSP70/90, autofagia (ATG, LC3), UPRᴱᴿ e UPRᵐᵗ mantengono qualità proteica e mitocondriale; l’Integrated Stress Response (eIF2α‑ATF4‑CHOP) decide tra recupero o apoptosi [53–55].
Lipidomica di rischio/protezione. Ceramidi e DAG interferiscono con l’insulina e promuovono lipotossicità; plasmalogeni e PUFA n‑3 favoriscono resolution infiammatoria; ferroptosi (GPX4, lipid perossidi) rappresenta un failure mode metabolico‑redox [56–59].
Dinamica mitocondriale e qualità. MFN1/2, OPA1 (fusione) e DRP1 (fissione) ottimizzano la bioenergetica; PINK1–Parkin media la mitofagia selettiva; il canale MCU e il Ciclo di Krebs modulano accoppiamento Ca²⁺‑ATP [60–62].
Ormoni e mio/adipokine della resilienza. FGF21 (stato di digiuno), adiponectina (sensibilità insulinica), leptina (massa adiposa) e catecolamine orchestrano la flessibilità; β‑idrossibutirrato (BHB) agisce come ligando/epigeno‑modulatore (inibizione HDAC, HCAR2) [63–66].

2.4 Fisiologia integrata multi‑organo

Cervello. Shuttle lattato astrocita‑neurone, chetoutilizzazione via MCT1/2, protezione microgliale M2 dipendente da OXPHOS; resilienza cognitiva richiede barriere emato‑encefaliche integre e risoluzione infiammatoria [32,41,42,67,68].
Cuore e vasi. Switch substratale (acidi grassi↔glucosio↔chetone), eNOS accoppiata (BH₄) e riserva mitocondriale determinano la tolleranza allo sforzo e allo shock [36,40,60].
Muscolo. Fibre I/II, PGC‑1α‑dipendenza, mitofagia efficiente e HRV elevata correlano con resilienza sistemica [47,60].
Fegato. Cheto‑genesi (HMGCS2), ciclo dell’urea, detossificazione redox; NAFLD emerge da fallimento di flessibilità lipidica e proteostasi [56].
Rene e osmoregolazione. Trasporti (AQP2, NKCC2), RAAS, gestione dell’iperosmolarità e protezione da stress ipossico/osmotico [69].
Intestino‑microbiota. SCFA (acetato, propionato, butirrato) potenziano barriera e immuno‑resilienza; acidi biliari via FXR/TGR5 sincronizzano metabolismo e infiammazione [70–72].

2.5 Fisiopatologia e pato‑metabolismo della non‑resilienza

Inessenzialità metabolica/infiammazione. Inflexibilità substratale → accumulo di ceramidi/DAG → resistenza insulinica; ER‑stress e UPR cronica → disfunzione β‑cellula/steatosi; ferroptosi/lipoperossidazione → danno d’organo [56–59].
Immuno‑metabolismo disadattivo. T effettori glicolitici vs T memoria OXPHOS‑FAO; bias M1 pro‑infiammatorio; trained immunity epigenetica amplifica risposte alla seconda esposizione [41,73].
Neuro‑degenerazione. Disaccoppiamento glia‑neuroni, mitocondri vulnerabili (APOE ε4), difetti di clearance proteica; proteostasi fallita e neuro‑infiammazione cronica [12,32,46,55].
Cardio‑metabolico. HFpEF/diabete: stato energetico scarso, stress ossidativo, NO‑bioavailability ridotta, lipotossicità cardiaca [36,40].

2.6 Metriche e soglie operative

RQ dinamico (flessibilità substratale), VO₂peak, HRV (RMSSD), pannelli metabolomici/lipidomici (acilcarnitine, ceramidi selezionate), indici redox (GSH/GSSG), attività complessi I–IV, e punteggi di proteostasi (marcatori di UPR/autofagia) alimentano un Resilience Core Panel integrabile nei modelli clinici [37–39,47–55].

3) Framework multidimensionale e integrazione multi‑omica

3.1 Domini e misure minime

• Biologico: genomica, epigenomica, proteomica, metabolomica; esiti clinici e surrogati molecolari [5–8,19].
• Psicologico: CD‑RISC, BRS, RSA; correlati neurobiologici (prefrontale, ippocampo, reti a default) [29–33].
• Sociale: ampiezza/qualità reti, coesione, accesso a sanità/istruzione; strumenti validati [34–36].
• Ambientale: exposoma (PM2.5, NO₂, rumore, verde), ondate di calore e adattamento [23–25].

3.2 Integrazione dei dati

Armonizzazione cross‑piattaforma, controllo batch, modelli interpretabili con variabili causali candidate e validazioni interne/esterne [6,20–22]. I grandi atlanti proteomici e consorzi (es. plasma proteome, GNPC) abilitano la scoperta di profili protettivi e vulnerabilità sistemiche [19,46]. Il quadro omnigenico fornisce contesto per reti diffuse di protezione e rischio [8].

4) "Resilience clocks": concetto e sviluppo

Ipotesi. Organismi e organi differiscono per traiettorie di resilienza; come per gli aging clocks epigenetici, si costruiscono punteggi che stimano una “età di resilienza” rispetto all’età cronologica [14–18].
Training. Gold‑standard: individui ad alto rischio che rimangono liberi da malattia in follow‑up prolungati; feature multi‑omiche + fenotipi funzionali; output continuo con IC95% [14–18,20–22].
Validazione. Coorti indipendenti, test di calibrazione e decision‑curve; audit di fairness per sottogruppi demografici [22,26–28].

5) Metodi della presente revisione

Tipo: mini‑review narrativa con focus traslazionale. Fonti: linee guida, revisioni sistematiche e studi primari indicizzati (biologia dello sviluppo, immunometabolismo, aging clocks, coorti multi‑omiche, psicometria, sanità pubblica ambientale). Criteri: priorità a studi con disegno longitudinale, campioni ≥500, validazioni esterne o metodi di riduzione del bias [6,20–22]. Non è una revisione sistematica; ove possibile si riportano riferimenti rappresentativi di alta qualità.

6) Proposta metodologica per studi sulla resilienza

Disegno. Coorti prospettiche (≥5 anni), arricchite per esposizioni e rischio, pre‑registrate [6,20].
Dati. Multi‑omica + psicometria + exposome + indicatori sociali; standard di qualità e reporting (TRIPOD/CONSORT/ROB2/PROBAST) [20–22].
Modelli. ML interpretabile; metriche: AUC, Brier, calibrazione; definizione di effetto di resilienza come interazione rischio×protezione [21,22].
Output clinici. Punteggi individuali e per organo con soglie operative; indicazioni d’uso clinico e in sanità pubblica [19–22].

7) Implicazioni cliniche e percorso di implementazione

7.1 Screening e stratificazione

Modelli ibridi Rischio + Resilienza per decisioni preventive, ottimizzazione di soglie terapeutiche e follow‑up [20–22,35].

7.2 Interventi personalizzati

• Biologico: esercizio periodizzato, nutrizione personalizzata, target mitocondriali, controllo dell’infiammazione; impiego cauto di modulatori farmacologici con razionale biologico e prove di meccanismo [36–39,41,42,63–66].
• Psicologico: CBT, MBSR, training di resilienza con outcome biologici e clinici [29–31,32].
• Sociale: social prescribing, programmi di coesione e supporto tra pari [34–36].
• Ambientale: riduzione esposizioni nocive, accesso a verde, mitigazione del calore [23–25,70–72].

7.3 Monitoraggio digitale

Wearable, sensori ambientali, app per il benessere; aggiornamento dinamico dei punteggi e feedback a pazienti e clinici [A3].

8) Box Timeline (2014 → 2025)

2014 — Stress e immunità: basi biologiche della resilienza [4].
2015 — Consolidamento psicometrico (scale validate) [29].
2016 — Effetti epigenetici transgenerazionali (asse HPA) [10].
2018–2020 — Evoluzione degli orologi epigenetici (PhenoAge, GrimAge, ritmi di invecchiamento) [15–17].
2023 — Eterogeneità dell’invecchiamento tra sistemi [18].
2025 — Dataset proteomici di scala consortile e analisi vulnerabilità‑resilienza nella neurodegenerazione [46].

9) Sanità pubblica e policy

Applicazioni di precision public health: profilazione comunitaria rischio‑resilienza; allocazione mirata di risorse in ondate di calore, incendi, epidemie; valutazioni di impatto‑costo; audit di equità e monitoraggio di performance a livello di popolazione [23–28,70–72].

10) Etica, equità e governance dei dati

Fairness. Rappresentatività dei dati, selezione di feature non discriminatorie, audit periodici per sottogruppi [26–28].
Privacy. Consenso informato, minimizzazione dati, apprendimento federato, privacy differenziale [26–28].
Trasparenza. Condivisione FAIR di codice e metadati; versionamento e tracciabilità dei modelli [6].

11) Limitazioni e priorità di ricerca

Eterogeneità definitoria; necessità di coorti rappresentative e longitudinali; standardizzazione degli endpoint; validazioni esterne multi‑popolazione; studi pragmatici d’intervento per dimostrare utilità clinica e costo‑efficacia [6,20–22].

12) Conclusioni

La resilienza integra biologia, comportamento, contesto e ambiente. Misurata con strumenti robusti e governata da principi di equità, può spostare la medicina da reattiva a proattiva, ottimizzando prevenzione, cura e longevità sana [2–8,23–28].

Glossario

Resilienza (trait/state): componente relativamente stabile vs adattamento situazionale della capacità protettiva [2–4].
Metabolic flexibility: capacità di commutare tra substrati energetici in funzione della domanda [38,39].
Mitofagia: eliminazione selettiva di mitocondri danneggiati [36,37,61].
Aging clock: modello che stima età biologica da marcatori molecolari [14–17].
Resilience clock: modello proposto che stima la “capacità protettiva” nel tempo [14–18].
Exposome: insieme delle esposizioni ambientali lungo l’arco di vita [23–25].
Decision‑curve analysis: metodo per valutare l’utilità clinica di un modello predittivo [22].
Social prescribing: prescrizione di attività sociali/ambientali per salute e benessere [34–36].
Fairness algoritmica: proprietà di un sistema predittivo di non introdurre disparità ingiustificate [26–28].
TRIPOD/CONSORT/ROB2/PROBAST: standard per il reporting e la valutazione di studi predittivi e trial [20–22].

Appendice A — Riferimenti con valore probatorio (tipo, sintesi, utilità)

[1] Barker DJ. DOHaD — Origini fetali delle malattie adulte. Tipo: review storica; Valore: CONSOLIDATED; Utilità: cornice per finestrature critiche.
[2] Hanson MA, Gluckman PD. Programmazione precoce della salute. Tipo: review; Valore: CONSOLIDATED; Utilità: basi biologiche dello sviluppo.
[3] McEwen BS. Mediatori dello stress e salute. Tipo: review NEJM; Valore: CONSOLIDATED; Utilità: allostasi, carico allostatico.
[4] Dhabhar FS. Stress e immunità. Tipo: review; Valore: CONSOLIDATED; Utilità: legami psico‑immuni.
[5] Hasin Y et al. Multi‑omica e malattia. Tipo: review; Valore: CONSOLIDATED; Utilità: integrazione dati.
[6] Ioannidis JPA et al. Riproducibilità in multi‑omica. Tipo: perspective; Valore: CONSOLIDATED; Utilità: qualità e replicabilità.
[7] Popejoy AB, Fullerton SM. Diversità in genomica. Tipo: comment; Valore: CONSOLIDATED; Utilità: equità e rappresentatività.
[8] Boyle EA et al. Omnigenic model. Tipo: perspective; Valore: PRELIMINARY/CONCEPTUAL; Utilità: reti poligeniche diffuse.
[9] Corder EH et al. APOE4 e rischio AD. Tipo: studio classico; Valore: CONSOLIDATED; Utilità: vulnerabilità genetica.
[10] Kertes DA et al. Stress prenatale ed epigenetica HPA. Tipo: studio umano; Valore: CONSOLIDATED; Utilità: effetti transgenerazionali.
[11] Farrer LA et al. Effetti età/sesso/etnia su APOE‑AD. Tipo: meta‑analisi; Valore: CONSOLIDATED.
[12] Belloy SC et al. Revisione completa APOE. Tipo: review; Valore: CONSOLIDATED.
[13] Livingston G et al. Prevenzione demenza. Tipo: commissione Lancet; Valore: CONSOLIDATED.
[14] Horvath S. Orologio epigenetico. Tipo: studio; Valore: CONSOLIDATED.
[15] Levine ME et al. PhenoAge. Tipo: studio; Valore: CONSOLIDATED.
[16] Lu AT et al. GrimAge. Tipo: studio; Valore: CONSOLIDATED.
[17] Belsky DW et al. Velocità di invecchiamento. Tipo: studio; Valore: CONSOLIDATED.
[18] Tian YE et al. Invecchiamento eterogeneo multi‑organo. Tipo: studio Nat Med; Valore: CONSOLIDATED.
[19] Sun BB et al. Atlante genomico del proteoma plasmatico. Tipo: studio; Valore: CONSOLIDATED.
[20] Collins GS et al. TRIPOD. Tipo: linee guida; Valore: CONSOLIDATED.
[21] Steyerberg EW et al. Modelli predittivi clinici. Tipo: testo; Valore: CONSOLIDATED.
[22] Vickers AJ, Elkin EB. Decision‑curve analysis. Tipo: methods; Valore: CONSOLIDATED.
[23] Gasparrini A et al. Temperature e mortalità. Tipo: multi‑paese; Valore: CONSOLIDATED.
[24] Hajat S et al. Caldo e morbidità. Tipo: epidemiologia; Valore: CONSOLIDATED.
[25] Anderson GB et al. Ondate di calore e ospedalizzazioni. Tipo: epidemiologia; Valore: CONSOLIDATED.
[26] Obermeyer Z et al. Bias in algoritmi sanitari. Tipo: studio; Valore: CONSOLIDATED.
[27] Floridi L et al. Quadro etico AI4People. Tipo: position; Valore: CONSOLIDATED.
[28] European Commission. Linee guida etiche AI. Tipo: policy; Valore: CONSOLIDATED.
[29] Connor KM, Davidson JRT. CD‑RISC. Tipo: validazione scala; Valore: CONSOLIDATED.
[30] Theron LC et al. Resilienza giovanile SSA. Tipo: review sistematica; Valore: CONSOLIDATED.
[31] Smith BW et al. BRS. Tipo: validazione scala; Valore: CONSOLIDATED.
[32] Feder A et al. Neurobiologia della resilienza. Tipo: review; Valore: CONSOLIDATED.
[33] Holmes SE et al. Circuiti cerebrali della resilienza. Tipo: review; Valore: CONSOLIDATED.
[34] Cohen S, Wills TA. Supporto sociale e buffering. Tipo: teoria; Valore: CONSOLIDATED.
[35] Holt‑Lunstad J et al. Supporto sociale e mortalità. Tipo: meta‑analisi; Valore: CONSOLIDATED.
[36] Wallace DC. Paradigma mitocondriale. Tipo: review; Valore: CONSOLIDATED.
[37] Brand MD, Nicholls DG. Valutazione disfunzione mitocondriale. Tipo: methods; Valore: CONSOLIDATED.
[38] Johnson CH et al. Metabolomica verso meccanismi. Tipo: review; Valore: CONSOLIDATED.
[39] Newgard CB. Metabolomica e malattie. Tipo: review; Valore: CONSOLIDATED.
[40] Bass J, Takahashi JS. Ritmi circadiani e metabolismo. Tipo: review; Valore: CONSOLIDATED.
[41] O’Neill LAJ, Pearce EJ. Immunometabolismo. Tipo: review; Valore: CONSOLIDATED.
[42] Serhan CN. Mediatori pro‑risolutivi. Tipo: review; Valore: CONSOLIDATED.
[43] Wishart DS et al. HMDB 4.0. Tipo: database; Valore: CONSOLIDATED.
[44] Nicholson JK et al. Metabonomics. Tipo: review; Valore: CONSOLIDATED.
[45] Ahadi S et al. Traiettorie personali di salute. Tipo: studio; Valore: CONSOLIDATED.
[46] Shvetcov A et al. Analisi proteomica e APOE4 (GNPC). Tipo: analisi consortile; Valore: PRELIMINARY (2025).
[47] Hardie DG. AMPK: maintaining energy homeostasis. Tipo: review; Valore: CONSOLIDATED.
[48] Cantó C, Auwerx J. Targeting sirtuin 1 to improve metabolism. Tipo: review; Valore: CONSOLIDATED.
[49] Laplante M, Sabatini DM. mTOR signaling in growth and metabolism. Tipo: review; Valore: CONSOLIDATED.
[50] Ma Q. Role of Nrf2 in oxidative stress. Tipo: review; Valore: CONSOLIDATED.
[51] Kensler TW et al. Keap1–Nrf2–ARE. Tipo: review; Valore: CONSOLIDATED.
[52] Halliwell B. Free radicals and antioxidants. Tipo: classic; Valore: CONSOLIDATED.
[53] Balch WE et al. Adapting proteostasis for disease. Tipo: review; Valore: CONSOLIDATED.
[54] Quiros PM et al. Mitochondrial UPR. Tipo: review; Valore: CONSOLIDATED.
[55] Pakos‑Zebrucka K et al. Integrated Stress Response. Tipo: review; Valore: CONSOLIDATED.
[56] Summers SA. Ceramides and metabolic disease. Tipo: review; Valore: CONSOLIDATED.
[57] Holland WL, Summers SA. Sphingolipids and insulin resistance. Tipo: review; Valore: CONSOLIDATED.
[58] Dixon SJ et al. Ferroptosis. Tipo: discovery; Valore: CONSOLIDATED.
[59] Stockwell BR et al. Ferroptosis mechanisms. Tipo: review; Valore: CONSOLIDATED.
[60] Chan DC. Mitochondrial dynamics. Tipo: review; Valore: CONSOLIDATED.
[61] Pickrell AM, Youle RJ. PINK1/Parkin mitophagy. Tipo: review; Valore: CONSOLIDATED.
[62] De Stefani D et al. Mitochondrial calcium uniporter. Tipo: review; Valore: CONSOLIDATED.
[63] Fisher FM, Maratos‑Flier E. FGF21 physiology. Tipo: review; Valore: CONSOLIDATED.
[64] Yamauchi T et al. Adiponectin actions. Tipo: review; Valore: CONSOLIDATED.
[65] Shimazu T et al. BHB inhibits HDAC. Tipo: study; Valore: CONSOLIDATED.
[66] Newman JC, Verdin E. BHB as signaling metabolite. Tipo: review; Valore: CONSOLIDATED.
[67] Pellerin L, Magistretti PJ. Lactate shuttle. Tipo: discovery; Valore: CONSOLIDATED.
[68] Mosconi L et al. Brain ketone utilization. Tipo: study/review; Valore: CONSOLIDATED.
[69] Knepper MA. Molecular physiology of urine concentration. Tipo: review; Valore: CONSOLIDATED.
[70] Koh A et al. SCFA and host metabolism. Tipo: review; Valore: CONSOLIDATED.
[71] Watanabe M et al. Bile acids via TGR5. Tipo: study; Valore: CONSOLIDATED.
[72] Li T, Apte U. FXR in metabolism and inflammation. Tipo: review; Valore: CONSOLIDATED.
[73] Netea MG et al. Trained immunity. Tipo: review; Valore: CONSOLIDATED.

Bibliografia (stile Vancouver essenziale)

1. Barker DJP. The developmental origins of adult disease. Acta Paediatr Suppl. 2004;93:26–33.
2. Hanson MA, Gluckman PD. Early developmental conditioning of later health and disease. Physiol Rev. 2014;94:1027–1076.
3. McEwen BS. Protective and damaging effects of stress mediators. N Engl J Med. 1998;338:171–179.
4. Dhabhar FS. Effects of stress on immune function. Immunol Res. 2014;58:193–210.
5. Hasin Y, Seldin M, Lusis A. Multi‑omics approaches to disease. Genome Biol. 2017;18:83.
6. Ioannidis JPA et al. Repeatability and reproducibility in multi‑omics. Nat Biotechnol. 2021;39:1–3.
7. Popejoy AB, Fullerton SM. Genomics is failing on diversity. Nature. 2016;538:161–164.
8. Boyle EA, Li YI, Pritchard JK. An expanded view of complex traits. Cell. 2017;169:1177–1186.
9. Corder EH et al. APOE4 and Alzheimer’s risk. Science. 1993;261:921–923.
10. Kertes DA et al. Prenatal stress and HPA methylation. Child Dev. 2016;87:61–72.
11. Farrer LA et al. APOE genotype and AD by age/sex/ethnicity. JAMA. 1997;278:1349–1356.
12. Belloy SC, Napolioni V, Greicius MD. APOE and Alzheimer’s. Nat Rev Neurol. 2019;15:333–349.
13. Livingston G et al. Dementia prevention, intervention, and care. Lancet. 2020;396:413–446.
14. Horvath S. DNA methylation age. Genome Biol. 2013;14:R115.
15. Levine ME et al. An epigenetic biomarker of aging. Aging. 2018;10:573–591.
16. Lu AT et al. GrimAge. Aging. 2019;11:303–327.
17. Belsky DW et al. Quantification of biological aging. eLife. 2020;9:e54870.
18. Tian YE et al. Heterogeneous aging across organs. Nat Med. 2023;29:1221–1231.
19. Sun BB et al. Genomic atlas of the human plasma proteome. Nature. 2018;558:73–79.
20. Collins GS et al. TRIPOD. Ann Intern Med. 2015;162:55–63.
21. Steyerberg EW. Clinical Prediction Models. Springer; 2019.
22. Vickers AJ, Elkin EB. Decision curve analysis. Med Decis Making. 2006;26:565–574.
23. Gasparrini A et al. Mortality risk and temperature. Lancet. 2015;386:369–375.
24. Hajat S et al. Hot weather and morbidity. J Epidemiol Community Health. 2010;64:753–760.
25. Anderson GB et al. Heat waves and hospitalizations. Environ Health Perspect. 2013;121:113–118.
26. Obermeyer Z et al. Racial bias in an algorithm. Science. 2019;366:447–453.
27. Floridi L et al. AI4People ethical framework. Minds & Machines. 2018;28:689–707.
28. European Commission. Ethics guidelines for trustworthy AI. 2019.
29. Connor KM, Davidson JRT. Development of the CD‑RISC. Depress Anxiety. 2003;18:76–82.
30. Theron LC et al. Youth resilience in SSA. J Psychiatr Res. 2022;146:55–66.
31. Smith BW et al. Brief Resilience Scale. Int J Behav Med. 2008;15:194–200.
32. Feder A et al. The neurobiology of resilience. Nat Neurosci. 2019;22:1300–1315.
33. Holmes SE et al. Brain circuits of resilience. Biol Psychiatry. 2018;83:193–202.
34. Cohen S, Wills TA. Buffering hypothesis. Psychol Bull. 1985;98:310–357.
35. Holt‑Lunstad J et al. Social relationships and mortality. PLoS Med. 2010;7:e1000316.
36. Wallace DC. Mitochondrial paradigm. Annu Rev Genet. 1992;26:657–681.
37. Brand MD, Nicholls DG. Assessing mitochondrial dysfunction. Biochem J. 2011;435:297–312.
38. Johnson CH, Ivanisevic J, Siuzdak G. Metabolomics mechanisms. Nat Rev Mol Cell Biol. 2016;17:451–459.
39. Newgard CB. Metabolomics and metabolic diseases. Cell. 2017;171:272–284.
40. Bass J, Takahashi JS. Circadian rhythms and metabolism. Science. 2010;330:1349–1354.
41. O’Neill LAJ, Pearce EJ. Immunometabolism. Nat Rev Immunol. 2016;16:553–565.
42. Serhan CN, Levy BD. Resolution of inflammation. Nat Rev Immunol. 2018;18:205–215.
43. Wishart DS et al. HMDB 4.0. Nucleic Acids Res. 2018;46:D608–D617.
44. Nicholson JK et al. Metabonomics. Nature. 2008;455:1054–1056.
45. Ahadi S et al. Personal aging markers. Nat Med. 2020;26:83–90.
46. Shvetcov A et al. Proteomic modifiers of APOE4 vulnerability (GNPC). Nat Med. 2025;[in stampa].
47. Hardie DG. AMP‑activated protein kinase: maintaining energy homeostasis. Nat Rev Mol Cell Biol. 2015;16:1–12.
48. Cantó C, Auwerx J. Targeting sirtuin 1 to improve metabolism. Nat Rev Drug Discov. 2009;8:993–1007.
49. Laplante M, Sabatini DM. mTOR signaling. Cell. 2012;149:274–293.
50. Ma Q. Role of Nrf2 in oxidative stress. Toxicol Appl Pharmacol. 2013;272:1–12.
51. Kensler TW, Wakabayashi N, Biswal S. Keap1–Nrf2–ARE. Annu Rev Pharmacol Toxicol. 2007;47:89–116.
52. Halliwell B, Gutteridge JMC. Free Radicals in Biology and Medicine. 5th ed. Oxford; 2015.
53. Balch WE et al. Adapting proteostasis. Science. 2008;319:916–919.
54. Quiros PM, Mottis A, Auwerx J. UPRmt. Mol Cell. 2016;61:777–785.
55. Pakos‑Zebrucka K et al. Integrated stress response. EMBO Rep. 2016;17:1374–1395.
56. Summers SA. Ceramides in insulin resistance. Nat Rev Endocrinol. 2006;2:583–593.
57. Holland WL, Summers SA. Sphingolipids and metabolic disease. Nat Rev Endocrinol. 2008;4:397–403.
58. Dixon SJ et al. Ferroptosis. Cell. 2012;149:1060–1072.
59. Stockwell BR et al. Ferroptosis mechanisms. Cell. 2017;171:273–285.
60. Chan DC. Mitochondrial dynamics. Annu Rev Cell Dev Biol. 2012;28:463–484.
61. Pickrell AM, Youle RJ. PINK1/Parkin path. Cold Spring Harb Perspect Biol. 2015;7:a020859.
62. De Stefani D, Raffaello A, Teardo E, Szabò I, Rizzuto R. MCU. Nature. 2011;476:336–340.
63. Fisher FM, Maratos‑Flier E. FGF21. Nat Rev Endocrinol. 2016;12:136–148.
64. Yamauchi T et al. Adiponectin. Nat Rev Mol Cell Biol. 2014;15:361–372.
65. Shimazu T et al. BHB is an endogenous HDAC inhibitor. Science. 2013;339:211–214.
66. Newman JC, Verdin E. BHB. Cell Metab. 2014;19:151–154.
67. Pellerin L, Magistretti PJ. Lactate shuttle. Proc Natl Acad Sci USA. 1994;91:10625–10629.
68. Cunnane SC et al. Brain fuel metabolism, ketones. J Cereb Blood Flow Metab. 2011;31:585–591.
69. Knepper MA. Urine concentration. Kidney Int. 1997;51:1663–1678.
70. Koh A, De Vadder F, Kovatcheva‑Datchary P, Bäckhed F. SCFAs and host metabolism. Cell. 2016;165:1332–1345.
71. Watanabe M et al. Bile acids via TGR5. Nature. 2006;439:484–489.
72. Li T, Apte U. FXR. Biochim Biophys Acta. 2015;1851:1300–1311.
73. Netea MG et al. Trained immunity. Cell. 2016;172:4–17.

Sezioni opzionali per impaginazione finale

• Figura 1. Schema dei domini della resilienza e pipeline di misura.
• Figura 2. Assi biochimici della resilienza (AMPK–mTOR–SIRT; NRF2–KEAP1; UPRᴱᴿ/UPRᵐᵗ; lipidomica rischio/protezione).
• Figura 3. Resilience clock: sviluppo, calibrazione e validazione.
• Tabella 1. Pannelli minimi di biomarcatori per dominio (biologico, psicologico, sociale, ambientale).
• Tabella 2. Checklist FAIR/Equità per implementazione.

Corrisponding author: Gianluca Latino
Conflitti di interesse: nessuno dichiarato.
Finanziamenti: nessuno.
Disponibilità dei dati: non applicabile (articolo di revisione).
Approvazione etica: non richiesta.