Enrico Capobianco
- University of Miami
- http://welcome.miami.edu/
Enrico Capobianco è un esperto di sistemi complessi con un'ampia esperienza di ricerca scientifica su scala internazionale. Ha esplorato il campo della biomedicina in più aree. Dal 2012 è lead scientist presso il Center for Computational Science dell'Università di Miami e collabora con vari dipartimenti della Miller School of Medicine.
Ha studiato discipline quantitative presso: la LSE (Londra, 1991-92), la Northwestern University (1992) e la UC Berkeley Statistics (1992-93), mentre ha conseguito un dottorato in Scienze Statistiche presso l'Università di Padova (1994).
Capobianco è stato postdoc presso la Stanford University (Computer Science, PDP-AI Lab, 1994-98), poi presso l'Istituto Niels Bohr e l'Università Tecnica Danese (NATO-CNR Fellow in Neurocomputing, 1999). Nel 2001 è stato eletto ERCIM fellow presso il CWI - Centro per la Matematica e la Computer Science, ad Amsterdam (2001-02, Stochastics), poi ha continuato presso il Mathematical Sciences Research Institute, alla UC Berkeley (2003), Boston University (2004-05, Ingegneria Biomedica) e Serono in Evry (2005, Head of Methods).
Con il CRS4 (Polaris Science & Tech Park, 2006-11) è stato responsabile del Quantitative Systems Biology Group e dopo aver fondato una squadra con l’IFC-CNR (Pisa, 2012-2015), chiamato LISM - Laboratory of Integrative Systems Medicine. È rimasto associato al CNR nel 2016-2017, come coordinatore nel settore Big Data in Health.
Capobianco ha ottenuto la cattedra presso l'Accademia cinese della scienza (2011, Shanghai) e la Fondazione Fiocruz (2008-2010, Rio de Janeiro, Programma, Capes - FIOCRUZ). Ha partecipato a numerosi programmi accademici statunitensi presso i SAMSI, IMA, MSRI, IPAM, Simons Institutes, il Centro Internazionale di Fisica Teorica (2003, Condensed Matter, Trieste) e presso l'Institut des Hautes Études Scientifiques (IHES) (2010, Parigi).
Capobianco contribuisce alla crescita del settore della Medicina delle Sistemi, con molti progressi metodologici e applicazioni in campo oncologico. Ora è concentrato sulla medicina di precisione, sulla computational imaging e sui Big Data.
Enrico Capobianco is an expert of complex systems with a wide scientific research experience at an international scale. He has explored the field of Biomedicine in multiple areas. He works since 2012 as Lead Scientist at the Center for Computational Science, University of Miami, and collaborates with various Departments of the Miller School of Medicine.
He was postdoc at Stanford University (Computer Science, PDP-AI Lab, 1994-98), then at the Niels Bohr Institute and Danish Technical University (NATO-CNR Fellow in Neurocomputing, 1999). In 2001 he was elected ERCIM fellow at the CWI - Center for Mathematics and Computer Science, in Amsterdam (2001-02, Stochastics), then he continued with an appointment at the Mathematical Sciences Research Institute, in UC Berkeley (2003), Boston University (2004-05, Biomedical Engineering), and Serono in Evry (2005, Head of Methods).
With the CRS4 (Polaris Science & Tech Park, 2006-11) he was Head of the Quantitative Systems Biology Group, and after he founded a team with the National Research Council, Institute of Clinical Physiology (Pisa, 2012-2015), called LISM - Laboratory of Integrative Systems Medicine. He remained associated with CNR in 2016-2017, as Coordinator in Big Data in Health. Enrico obtained professorships from the Chinese Academy of Science (2011, Shanghai) and the Fiocruz Foundation (2008-2010, Rio de Janeiro, Program, Capes - FIOCRUZ). He had multiple participations in US academic programs at SAMSI, IMA, MSRI, IPAM and Simons Institutes, and he was offered visiting appointments at the International Centre for Theoretical Physics (2003, Condensed Matter, Trieste), and at the Institut des Hautes Études Scientifiques (IHES) (2010, Paris).
Enrico is contributing to the growth of the Systems Medicine field, especially leading Network Science towards methodological advances and cancer applications. He is now focused on Precision Medicine, Computational Imaging and Big Data
SESSIONE 2
Big Data
"Vedere per Credere." Re-immaginando la biomedicina con i Big Data
I Big data sono destinati ad aver un profondo impatto in campo biomedico.
Le tecnologie high-throughput, i dati medici digitalizzati, le immagini ad altissima risoluzione, le omiche multiplexed, sono tutti esempi di settori a rapido sviluppo. Stabilito che si generano dati complessi ed eterogenei, gestirne la varieta’ ed il valore intrinseco, processarne i volumi in gioco ed interpretarne i risultati, sono vere e proprie sfide. La biologia e la medicina dei sistemi , note rispettivamente come Systems Biology e Systems Medicine, e piu’ recentemente la medicina di precisione, rappresentano i nuovi paradigmi facenti leva su dati ed algoritmi, o piu’ semplicemente sul pensare quantitativo. Il problema diventa come questo possa chiarire la vastita’ di informazione oggi prodotta sulla salute, ed aiutare i processi decisionali in campo biomedico.
Al momento, gli approcci integrati sono concepiti per l’analisi di dati multi-dimensionali e multi-scala, perche’ generati da fonti diverse come cellule, tessuti, organi, ecc. e perche’ riflesso di fattori quali stile di vita individuale, abitudini sociali, ambiente, dinamiche di popolazione, ed altro ancora.
Poiche’ l’idea della precisione N-of-1 e’ ispirata al principio della individualizzazione della biomedicina, ma al tempo stesso richiama la complessita’ di formulare valutazioni individuali tenendo conto di tutti i tipi di dati disponibili, la capacita’ di vedere dentro e oltre i dati stessi e’ l’elemento che principalmente determinera’ le priorita’ della ricerca nei prossimi anni, e favorira’ l’accelerazione con cui molte delle future scoperte saranno conseguite.
"Seeing is Believing." Re-Imagining Biomedicine with Big Data
Big data are expected to exert profound impacts on biomedicine. High-throughput technologies, electronic medical records, high-resolution imaging, multiplexed omics, these are examples of fast progressing fields. Because they all yield complex heterogeneous data types, managing such variety, processing the volumes and interpreting the findings are challenges. Systems biology and medicine, and more recently precision medicine represent novel paradigms of how data and algorithms, or more in general quantitative thinking, are making sense of the myriad varieties of health information and guiding decision-making in healthcare.
Currently, integrative approaches are conceived for the analysis of multi-evidenced data, i.e., data generated from multiple sources, such as cells, organs, individual lifestyle and social habits, environment, population dynamics, etc. Since the N-of-1 precision idea is mainly inspired by individualization, and this faces the complexity of achieving individual assessments from all data types, it is an expanded view of data that will prioritize the research agenda and expedite discoveries.
