Harnessing In Silico platform for Vaccine Discovery, Disease Modeling, and Immunotoxicity Prediction in Pandemic and Emergency Scenarios

The modern world faces unprecedented challenges from pandemics and emergencies, demanding innovative solutions for effective management. This thesis addresses global health issues by utilizing advanced computational tools for vaccine discovery, disease modeling, and immunotoxicity prediction. By integrating bioinformatics, simulation techniques, and in silico platforms, it aims to accelerate vaccine development, enhance disease understanding, and predict immune responses. Key highlights include the development of a multi-epitope vaccine against the H5N1 influenza strain using reverse vaccinology, a computational approach enabling rapid antigen identification. The research extends to designing broader vaccines for seasonal influenza, enhancing protection against multiple strains. Furthermore, a virtual model of cutaneous leishmaniasis was created using the Universal Immune System Simulator (UISS), offering new insights into host-pathogen dynamics. The thesis also explores immunotoxicity caused by environmental pollutants like perfluoroalkyl substances and the allergenic potential of chemical sensitizers, developing predictive protocols to inform public health policies and interventions. Collectively, the research demonstrates the potential of computational science to transform public health strategies in pandemic and emergency scenarios.

Il mondo moderno affronta sfide senza precedenti derivanti da pandemie ed emergenze, richiedendo soluzioni innovative per una gestione efficace. Questa tesi affronta problematiche di salute globale utilizzando strumenti computazionali avanzati per la scoperta di vaccini, la modellazione delle malattie e la previsione dell’immunotossicità. Integrando bioinformatica, tecniche di simulazione e piattaforme in silico, si propone di accelerare lo sviluppo dei vaccini, migliorare la comprensione delle malattie e prevedere le risposte immunitarie. Tra i principali risultati vi è lo sviluppo di un vaccino multi-epitopico contro il ceppo influenzale H5N1, utilizzando la vaccinologia inversa, un approccio computazionale che consente una rapida identificazione degli antigeni. La ricerca si estende anche alla progettazione di vaccini più ampi per l’influenza stagionale, migliorando la protezione contro più ceppi. Inoltre, è stato creato un modello virtuale della leishmaniosi cutanea utilizzando il Simulatore Universale del Sistema Immunitario (UISS), offrendo nuove prospettive sulle dinamiche ospite-patogeno. La tesi esplora anche l’immunotossicità causata da inquinanti ambientali come le sostanze perfluoroalchiliche e il potenziale allergenico dei sensibilizzanti chimici, sviluppando protocolli predittivi per informare le politiche e gli interventi di salute pubblica. Complessivamente, la ricerca dimostra il potenziale della scienza computazionale e della medicina in silico di trasformare le strategie di salute pubblica in scenari di pandemia ed emergenza.