La IA y los datos multi-ómicos están construyendo el futuro de la medicina de precisión

Las enfermedades complejas surgen de una desregulación simultánea en múltiples capas biológicas; sin embargo, la práctica médica actual sigue basándose en gran medida en diagnósticos y tratamientos uniformes que ignoran las diferencias moleculares individuales. Esta revisión de Mardinoglu y sus colaboradores, publicada en Molecular Systems Biology, sostiene que la convergencia de grandes datos biológicos longitudinales, la IA y la biología de sistemas representa el camino más viable hacia una medicina verdaderamente personalizada. Los autores sintetizan evidencia procedente de cientos de estudios para esbozar un marco en el que los datos multi-ómicos se recopilan, integran e interpretan de forma continua con el fin de revelar los mecanismos de las enfermedades con una resolución sin precedentes.

En el núcleo del componente de biología de sistemas se encuentran los modelos metabólicos a escala genómica (GEMs). La revisión traza su desarrollo desde las primeras reconstrucciones de la red metabólica humana —Recon1 y EHMN en 2007— hasta modelos progresivamente refinados, como HMR1, HMR2, Recon2, Recon3D y, finalmente, Human1 en 2020. Estos modelos codifican todas las reacciones bioquímicas conocidas catalizadas por enzimas y transportadores codificados en el genoma humano, lo que permite a los investigadores construir modelos específicos de tejido —especialmente para el hígado, el intestino y otros órganos— que simulan estados metabólicos alterados en la enfermedad. Los GEMs complementarios específicos de microbios y de comunidades microbianas han extendido este marco al microbioma intestinal, oral, vaginal y cutáneo, permitiendo estudiar las interacciones huésped-microbioma e identificar dianas terapéuticas basadas en el microbioma.

La revisión cataloga una amplia variedad de estudios longitudinales multi-ómicos de referencia actualmente en curso en todo el mundo, y señala que los conjuntos de datos integran de forma rutinaria genómica, epigenómica, transcriptómica, proteómica, metabolómica, lipidómica y metagenómica junto con registros clínicos, datos de dispositivos portátiles e información dietética. Los autores destacan que los dispositivos portátiles capturan continuamente parámetros fisiológicos —calorías quemadas, presión arterial, frecuencia cardíaca, niveles de actividad y sueño—, mientras que los registros electrónicos de salud (EHR) aportan notas clínicas longitudinales, mediciones físicas e imágenes. Esta riqueza de datos posiciona a la IA como indispensable para el reconocimiento de patrones y el descubrimiento de biomarcadores a escalas imposibles para los analistas humanos.

El papel de la IA se presenta en dos modos complementarios. En primer lugar, los algoritmos clásicos de aprendizaje automático y aprendizaje profundo identifican patrones relevantes para la enfermedad en conjuntos de datos multi-ómicos de alta dimensionalidad; la patología digital se cita como un ejemplo maduro en el que grandes conjuntos de datos estructurados permitieron la implementación clínica para asistir a los patólogos. En segundo lugar, los modelos de lenguaje grandes (LLMs) permiten ahora una rápida minería de textos biomédicos, lo que acelera la interpretación de datos biológicos y la identificación de conexiones entre genes, metabolitos, composición del microbioma, dieta y toxinas ambientales. En conjunto, estas herramientas de IA están permitiendo el descubrimiento de nuevos biomarcadores y dianas farmacológicas, y están acortando los plazos de desarrollo de medicamentos.

La contribución más prospectiva de la revisión es su tratamiento de los gemelos digitales: modelos computacionales personalizados de pacientes individuales construidos a partir de sus grandes datos biológicos longitudinales. Los modelos metabólicos de cuerpo completo, como los desarrollados sobre el marco Harvey/Harvetta, sirven de sustrato para estos gemelos, permitiendo la simulación en tiempo real de la función biológica individual y la predicción de respuestas a intervenciones. Los autores argumentan que esta infraestructura constituye la base de los sistemas de soporte a la decisión clínica impulsados por IA, los cuales podrían transformar fundamentalmente la atención hospitalaria de reactiva a predictiva y preventiva.

Entre las advertencias clave reconocidas por los autores se encuentran la fragmentación actual de los estándares de datos entre instituciones, los desafíos en materia de privacidad y regulación en torno a la recopilación de datos biológicos longitudinales, y los costes computacionales de ejecutar modelos de cuerpo completo a escala. La revisión es principalmente sintética y no empírica, ya que se apoya en estudios existentes en lugar de presentar nuevos datos experimentales, lo que limita la posibilidad de cuantificar tamaños de efecto específicos o resultados clínicos directamente atribuibles a estos enfoques integrados.