Il punto di partenza è la variabilità della risposta agli alimenti. A parità di consumo, infatti, non tutte le persone metabolizzano i polifenoli nello stesso modo né ottengono necessariamente gli stessi effetti biologici. A influenzare questa risposta concorrono fattori genetici, composizione del microbiota intestinale, stato metabolico, abitudini alimentari e condizioni cliniche.
I polifenoli, presenti in frutta, verdura, tè, cacao, caffè e altri alimenti vegetali, rappresentano una famiglia molto ampia di composti. Tra quelli esaminati dagli autori figurano l'epigallocatechina gallato (Egcg) del tè verde, la quercetina e la sesamina, un lignano presente soprattutto nel sesamo. La review descrive alcune interazioni molecolari di interesse: l'Egcg può interferire con l'interazione tra le proteine p53 e Mdm2, coinvolte nella regolazione della crescita cellulare; la quercetina è studiata per la sua capacità di modulare processi legati alla ferroptosi, una forma di morte cellulare regolata; la sesamina può influenzare l'attivazione della proteina Syk, coinvolta nelle risposte immunitarie e allergiche.
Per individuare e approfondire queste interazioni, gli autori indicano diverse tecnologie. Il molecular docking permette di simulare come una molecola possa legarsi a una proteina; il machine learning può analizzare grandi quantità di dati per riconoscere associazioni e prevedere attività biologiche; la network pharmacology consente invece di studiare le relazioni tra composti, proteine e vie metaboliche, considerando le reti di interazioni anziché un singolo bersaglio.
L'integrazione di queste informazioni con dati genetici, metabolici e relativi al microbiota potrebbe contribuire a prevedere come una persona assorbe e trasforma determinati polifenoli e quale risposta biologica può sviluppare. Un passaggio potenzialmente importante per superare l'approccio nutrizionale uguale per tutti.
Restano tuttavia ostacoli significativi. La biodisponibilità dei polifenoli è spesso limitata, il metabolismo intestinale e quello dell'organismo ne modificano la struttura e gli effetti osservati in laboratorio non sempre si traducono in benefici clinici. Servono quindi verifiche sperimentali e studi sull'uomo per confermare i bersagli individuati e stabilire se le previsioni degli algoritmi siano effettivamente utili.
L'intelligenza artificiale si propone dunque come uno strumento per accelerare la ricerca e orientare nuove ipotesi, non ancora come una tecnologia in grado di prescrivere diete personalizzate sulla base dei polifenoli. La sfida sarà trasformare le interazioni molecolari individuate in risultati riproducibili e, soprattutto, in benefici misurabili per la salute (n.m.).