Le neuroscienze rappresentano un settore scientifico estremamente complesso, in cui le esigenze di elaborazione dati, validazione sperimentale e trasferimento clinico richiedono una forte e significativa interconnessione, cosi come la possibilità di leggere l’analisi scientifica attraverso diversi approcci multidisciplinari. In tale contesto, per l’Infrastruttura di Ricerca “EBRAINS-Italy”, finanziata da NextGenerationEU e focalizzata sullo studio del cervello umano, risulta cruciale superare il tradizionale approccio basato su servizi a Catalogo, secondo una logica Service-as-a-Service, e promuovere invece l’adozione di soluzioni innovative.

Il modello Pipeline-as-a-Service (PaaS) (Spataro, F. 2025), qui discusso, propone una infrastruttura CI/CD centralizzata in grado di connettere, standardizzare e accelerare i processi scientifici, offrendo benefici concreti su scala nazionale e internazionale. Tra le estensioni più promettenti del modello si colloca il concetto diAcceleration Service, che traduce l’approccio alla ricerca sul cervello in una meta-pipeline che integra gli apporti scientifici di pipeline quali quella deldrug discovery, dellaneuromodulazione, dellaricerca clinica, creando veri e proprisistemi seekers-solverspiù vicini al linguaggio dell’innovazione industriale, degli innovatori, delle imprese operanti in settori quali quello tecnologico e farmaceutico.

Il modello si sviluppa attraverso l’esperienza manageriale maturata nella gestione dell’Infrastruttura di ricerca EBRAINS-Italy, promossa dal Consiglio Nazionale, che vede la partecipazione di altre 15 istituzioni pubbliche di ricerca. All’interno di essa convergono gruppi di ricerca afferenti alle aree computazionale, sperimentale, tecnologica/robotica e clinica, in cui ciascuna delle Unità di Ricerca sviluppa e gestisce in modo autonomo strumenti, workflow e ambienti di ricerca.

Questa frammentazione metodologica ha generato una prima versione del Catalogo dei Servizi di Ricerca, ma si è resa nel tempo insufficiente per garantire l’impatto che il settore health, in particolare, richiede. Inoltre, in termini di costi-benefici, riuscire ad incidere strategicamente in un siffatto ecosistema eterogeneo e ricco di competenze, generava sforzi significativi e duplicazioni delle pratiche scientifiche, difficoltà nella validazione incrociata dei risultati e una crescente complessità rispetto alla compliance normativa e alla governance dei dati. Tali criticità si acuiscono in uno scenario nazionale di ricerca collaborativa con le imprese, dove la necessità di interoperabilità e riutilizzo si scontra con l’eterogeneità dei modelli di approccio e delle soluzioni adottate.

Per rispondere a queste esigenze, è stato formulato (Spataro, F. 2025), in occasione della redazione del progetto “Brain Innovation Gateway” (al vaglio del Ministero della Ricerca), prima la sperimentazione di tavoli di incontro tra i team di ricerca e le organizzazioni portatrici di interesse. Il setting viene creato lanciando unachallengeproveniente dal/dagli stakeholder all’ecosistema scientifico. Un’esperienza recente è rappresentata dallaChallenge EBRAINS-Italy “Digital Twin and Lennox-Gastaut Epilepsy, realizzata a partire da un’esigenza espressa dal Prof. Striano neurologo dell’Ospedale Gaslini di Genova. Focalizzare l’expertise scientifico sul “tema” ha generato una sostanziale accelerazione dello sviluppo di soluzioni, un incremento potenziale delle conoscenze, un’aumento dellareadiness levelavendo agevolato la connessione tra il laboratorio e l’applicazione clinica. Il traguardo comune è la scoperta e l’innovazione, la risoluzione di sfide complesse orientate a migliorare la qualità della vita delle persone.

L’evoluzione della “challenge” è l’implementazione del modello di Pipeline-as-a-Service (PaaS), basato su una logica di integrazione continua (CI) e distribuzione continua (CD), che centralizza lo sviluppo, la gestione e il deployment delle pipeline di ricerca, mantenendo al contempo un’architettura flessibile e modulare. Questo approccio garantisce maggiore efficienza, riproducibilità, sicurezza e rispetto delle normative etiche e legali, offrendo una base solida per una ricerca neuroscientifica realmente integrata.

Architettura e implementazione del modello

Il modello PaaS proposto si articola su tre livelli, ciascuno corrispondente a una dimensione operativa della ricerca neuroscientifica. Il primo livello è quello dellapiattaforma, costituito dalle infrastrutture tecnologiche nazionali – come ambienti HPC, cloud federati e archivi FAIR – che garantiscono capacità computazionali scalabili e ambienti sicuri per l’esecuzione delle pipeline. Ma la piattaforma è anche quella dellerisorse umane professionali(team scientifici, amministrativi, tecnici) e degliactorsche interagiscono con l’Infrastruttura di Ricerca. Non solo le imprese o le aziende ospedaliere che beneficiano dei risultati scientifici, ma anche tutti quei portatori d’interesse che vivono l’Infrastruttura direttamente o indirettamente: le associazioni dei pazienti e delle famiglie dei pazienti, i fornitori, gli abilitatori (es. formatori), gli studenti e PhD, i partner internazionali, le altre IR, gli innovatori, le spin off, le start up, i giornalisti, gli Istituti scolastici, il territorio. La sfida manageriale è, inoltre, riuscire a far dialogare ambienti geograficamente distribuiti (24 Unità di Ricerca dell’Infrastruttura distribuite sul territorio italiano) e, ove possibile, federare standard comuni e protocolli di accesso armonizzati, favorendo così l’interoperabilità dei dati, delle metodologie, persino dei risultati scientifici.
Il secondo livello è rappresentato dal “motore delle pipeline”, il cuore del modello PaaS. Qui opera un team centrale, coordinate dall’Infrastructure Manager, composto da figure DevOps e ResearchOps, responsabile dello sviluppo, del mantenimento e della distribuzione delle pipeline. Questo motore è strutturato in tre layer funzionali: un primo layer di strumenti CI/CD (es. Dask) che automatizzano l’intero ciclo di vita delle pipeline; un secondo layer di blueprint scientifici, ovvero modelli standardizzati per attività ricorrenti come il pre-processing di dati fMRI, l’analisi EEG o la simulazione computazionale di reti neurali; e infine un layer di osservazione attiva dei repository (“tenant watchers”) in grado di rilevare modifiche nei progetti scientifici degli utenti e attivare automaticamente le pipeline corrispondenti.

Il terzo livello è quello dell’applicazione scientifica: i progetti di ricerca, sviluppati da team clinici, sperimentali, tecnologici o computazionali, interagiscono con l’Infrastructure Manager per formulare gli obiettivi di performance organizzativa e coordinare le sezioni di incontro seekers-solvers ovvero per validare i risultati della ricerca. In questo modo, i gruppi mantengono la piena libertà di definire i parametri e le condizioni scientifiche della propria analisi, delegando però al sistema centrale le fasi più onerose dal punto di vista tecnico e infrastrutturale. In questo contesto, si inserisce il concetto di Acceleration Service, una funzione strategica del livello applicativo che estende l’utilizzo delle pipeline alla dimensione dell’innovazione industriale. L’Acceleration Service agisce come una pipeline di trasferimento tecnologico: permette alle imprese, in particolare alle PMI e alle startup deep tech, di accedere a risorse scientifiche, dati validati e strumenti avanzati in modalità controllata, riproducibile e conforme alle normative. Le aziende possono così testare e validare soluzioni digitali in ambito neurotecnologico – come algoritmi di analisi dati, interfacce cervello-macchina, dispositivi medici o applicazioni di intelligenza artificiale o digital twin – senza dover costruire da zero pipeline sperimentali o ambienti di simulazione.
Questa meta-pipeline di innovazione industriale è resa possibile dalla standardizzazione del ciclo CI/CD: l’azienda può ad esempio caricare un proprio dataset (clinico, sensoriale, biometrico), configurare i parametri di una pipeline scientifica certificata, e ottenere un output validato (ad esempio una mappa funzionale cerebrale o un indicatore neurocomportamentale), utilizzabile per dimostrazioni tecnologiche, processi di certificazione o sviluppo di MVP (Minimum Viable Product). Il tutto avviene in ambienti sicuri e tracciabili, con supporto etico-legale da parte dell’infrastruttura e il coinvolgimento di stakeholder cruciali per le ricadute pratiche della ricerca, che interagiscono su una Vision Board.

Conclusioni

Il modello Pipeline-as-a-Service (PaaS) (Spataro F, 2025), qui proposto, disegna un’infrastruttura strategica per integrare e accelerare la ricerca neuroscientifica e dell’healthcarepiù in generale, rivolgendosi a segmenti multi-beneficiari su scala nazionale e internazionale.
Il modello nasce dall’esperienza di management dell’Infrastruttura di ricerca EBRAINS-Italy, promossa dal Consiglio Nazionale delle Ricerche e finanziata dal programma NextGenerationEU – PNRR (Missione 4 Componente 2, Ministero per la Ricerca) e dall’esigenza di integrare i diversi gruppi di ricerca dell’Infrastruttura, i cui gruppi di ricerca appartengono alle aree computazionale, sperimentale, tecnologica e clinica e che sviluppano e gestiscono autonomamente attività di ricerca, strumenti e ambienti.
L’introduzione di un modello basato su pipeline in cui confluisconoapporti multidisciplinari integrabili, e al contempocentralizzato, che si basa su una governance manageriale e tecnologica solida, porta con sé una serie di vantaggi rilevanti. Primo fra tutti, l’accelerazione della ricerca interdisciplinare, poiché pipeline standardizzate consentono a team clinici o sperimentali di accedere a strumenti computazionali validati, riducendo i tempi dion-boardinge aumentando la coerenza metodologica tra studi differenti.
In secondo luogo, si orientano i servizi di ricerca ad una sensibile efficienza operativa, grazie all’eliminazione delle duplicazioni nello sviluppo e nella manutenzione di pipeline per attività comuni (come la gestione dei dati, la conversione di formati o la pseudonimizzazione). Questo è particolarmente significativo in ambiti ad alta variabilità tecnica, come il neuroimaging o la modellazione multiscala. Un ulteriore beneficio è rappresentato dalla maggiore standardizzazione e conformità normativa. Centralizzando la gestione dei requisiti etici e legali (come la tracciabilità dei dati, la gestione dei consensi o l’aderenza al GDPR), il modello assicura che ogni pipeline distribuita sia compatibile con i più alti standard (es. affidabilità, sicurezza).
Infine, il modello supporta la sostenibilità economica e ambientale. La razionalizzazione delle risorse computazionali, derivante dalla riduzione delle duplicazioni, comporta non solo un risparmio in termini di costi ma anche un minor impatto ambientale, coerente con gli obiettivi di transizione ecologica del PNRR.

Sfide e considerazioni operative

Nonostante i numerosi vantaggi, l’implementazione del modello Pipeline-as-a-Service applicato alle neuroscienze non è esente da sfide. Una delle principali è rappresentata dalla necessità di trovare un equilibrio tra standardizzazione e libertà scientifica. I gruppi di ricerca devono avere la possibilità di proporre nuove pipeline o di modificare quelle esistenti. Ciò richiede un processo partecipativo, trasparente e collaborativo, in grado di valorizzare la creatività e l’autonomia della comunità scientifica.

Francesca Spataro

https://doi.org/10.5281/zenodo.18139792

FR-SP-A1-26