Mario Grassi è Professore Ordinario in Statistica Medica presso l’Università di Pavia per la facoltà di Medicina e Chirurgia. E’ autore di of 200+ (citations: 5998; H-index: 43, i-10-index: 102, in Google Scholar accessed on 2022 May, 09) pubblicazioni indicizzate peer-reviewed in epidemiologia delle malattie cronico-degenerative, in particolare malattie respiratorie (asma) e disturbi della salute mentale, malattie vascolari (malattia coronarica e ictus) e demenze degenerative (morbo di Alzheimer e demenza frontotemporale). Ha una pluriennale esperienza in collaborazioni interdisciplinari, in particolare con consorzi internazionali (ECRHS-I e ECRHS-II: European Community Respiratory Health Survey Groups, GEIRD: Genes Environment Interaction on Respiratory Diseases, GENFI: Genetic Frontotemporal dementia Initiative) e con consorzi italiani (ISAYA: Italian Study of Asthma in Young Adults, IPSYS: Italian Project on Stroke in Young Adults, MUCH-Italy: Multicenter Study on Cerebral Hemorrhage in Italy, STRKOVID, Italia) dove ha applicato e sviluppato nuove metodologie statistiche.
Il suo lavoro ruota attorno alla previsione e all’inferenza per dati multivariati, spesso ad alta dimensione (big data), utilizzando metodi di Structural Equation Models (SEM), Gaussian Graphical Models (GGM), Network Analysis (NA) e nell’apprendimento automatico (Random Forest e Causal Structure Learning). Ha una lunga esperienza come utente R e sviluppatore di pacchetti, recentemente il pacchetto SEMgraph per Causal Network Inference of High-Throughput Data with Structural Equation Models è caricato su CRAN (https://CRAN.R-project.org/package=SEMgraph). Gran parte del suo lavoro precedente riguarda la definizione di variabili non direttamente misurabili, come le scale di un questionario. Ciò è legato all’idea di variabili latenti (con indicatori riflessivi) o variabili composite (con indicatori formativi) incorporate in modelli di mediazione/moderatore nelle malattie psichiatriche, respiratorie e cardiovascolari. I suoi lavori recenti si concentrano sull’inferenza causale, la statistica genomica, le neuroscienze e l’analisi delle reti complesse (network), con molte sovrapposizioni tra queste. Attualmente, il suo lavoro statistico applicato riguarda due aree di ricerca. Il primo, sonda la connettività funzionale e la modularità delle sottoreti estratte dall’interazione proteina-proteina (PPI) utilizzando dati ad alto impatto tecnologico (GWAS, espressione genica, profili epigenetici e www.database) o dalla correlazione delle regione di interesse del cervello (ROI) di neuroimaging (dati fMRI, EEG o MEG). Il secondo, indaga la suscettibilità e l’ereditabilità genica con pedigree e dati non correlati utilizzando modelli misti non lineari (fissi più casuali) e l’identificazione di biomarcatori causali tramite un approccio di randomizzazione mendeliana applicati nella sindrome metabolica e nelle malattie neurodegenerative.
Per consulate le pubblicazioni scientifiche visitare il sito:
https://www.scopus.com/authid/detail.uri?authorId=55582067700