Tecniche omiche e valutazione del post-mortem interval (PMI): proteomica e metabolomica applicata su muscolo di maiale

Omics disciplines focus on the comprehensive analysis of various types of biomolecules within a specific biological system. In practice, fields like proteomics and metabolomics involve the collective study of all specific biomolecular types in biological systems, such as cells, tissues, or entire organisms. The development of cost-effective, high-throughput technological platforms, such as genetic sequencers and mass spectrometers, has laid the foundation for the study of these -omics disciplines, often referred to as "technology-based omics." The goal of this thesis is to evaluate the post-mortem interval (PMI) in pig muscles by applying proteomics and metabolomics techniques. Data analysis from the processed samples will enable the creation of a model that could potentially be used to predict the post-mortem interval. As we know, machine learning models require large amounts of data to build an accurate system that can identify patterns or make decisions from previously unseen datasets, so our experiments should be seen as the starting point of this significant achievement.

Le discipline omiche si concentrano sull'analisi completa di vari tipi di biomolecole all'interno di un sistema biologico specifico. In pratica, campi come la proteomica e la metabolomica comportano lo studio collettivo di tutti i tipi specifici di biomolecole nei sistemi biologici, come cellule, tessuti o interi organismi. Lo sviluppo di piattaforme tecnologiche ad alto rendimento, come i sequenziatori genetici e gli spettrometri di massa, ha gettato le basi per lo studio di queste discipline -omiche. L'obiettivo di questa tesi è valutare l'intervallo post-mortem (PMI) nei muscoli dei suini, applicando tecniche di proteomica e metabolomica. L'analisi dei dati dei campioni elaborati consentirà di creare un modello che potrebbe essere utilizzato per prevedere l'intervallo post-mortem. Come sappiamo, i modelli di machine learning richiedono grandi quantità di dati per costruire un sistema accurato in grado di identificare modelli o fare delle previsioni, quindi i nostri esperimenti devono essere visti come il punto di partenza di questo importante obbiettivo.