Una nueva herramienta de inteligencia artificial desarrollada en la Universidad de Harvard promete transformar el descubrimiento de fármacos al identificar combinaciones de genes y medicamentos capaces de revertir enfermedades a nivel celular.
Denominada PDGrapher, esta innovación representa un avance relevante para acelerar la búsqueda de tratamientos efectivos, especialmente en patologías complejas como el cáncer, Parkinson y Alzheimer.
PDGrapher surge a partir de las limitaciones de los métodos habituales en el desarrollo de medicamentos, que suelen enfocarse en un solo objetivo molecular o proteína. En contraposición, esta herramienta analiza múltiples factores que impulsan la enfermedad y determina qué genes y combinaciones de fármacos tienen mayor probabilidad de restaurar la función saludable de las células.
El modelo, publicado en la revista Nature Biomedical Engineering, está disponible de forma gratuita y supone un cambio relevante en la investigación biomédica.
Un modelo que identifica objetivos múltiples con precisión
A diferencia de los enfoques convencionales, que consisten en probar cientos de combinaciones sin rumbo claro, PDGrapher actúa como un chef que reconoce exactamente qué ingredientes y en qué proporción utilizar para obtener el resultado terapéutico esperado.
Así lo explicó Marinka Zitnik, profesora asociada de informática biomédica en la Facultad de Medicina de Harvard y líder del equipo de investigación, quien señaló que la herramienta permite identificar objetivos terapéuticos prometedores, incluso aun cuando no se conocen todos los mecanismos moleculares.
El funcionamiento de PDGrapher parte de una red neuronal gráfica, un tipo de inteligencia artificial que analiza las conexiones y efectos entre datos biológicos. En la práctica, mapea las relaciones entre genes, proteínas y vías de señalización dentro de las células, lo que permite predecir qué combinaciones de terapias pueden corregir disfunciones y devolverles su comportamiento saludable.
Para entender mejor, se puede imaginar que reparar una célula enferma es como arreglar una orquesta desafinada: en vez de afinar solo un instrumento (como haría un método tradicional), PDGrapher analiza cómo interactúan todos los músicos (genes y proteínas) y puede proponer afinar varios a la vez para lograr una melodía perfecta, es decir, una célula sana.
En vez de realizar pruebas exhaustivas con miles de compuestos, el modelo se concentra en las combinaciones con mayor probabilidad de éxito.
Durante su desarrollo, los investigadores entrenaron PDGrapher con conjuntos de datos de células enfermas antes y después de recibir tratamiento, lo que permitió identificar qué genes debían modificarse para revertir el estado patológico. Posteriormente, el sistema fue evaluado en 19 conjuntos de datos correspondientes a 11 tipos de cáncer, utilizando tanto experimentos genéticos como farmacológicos. Se le solicitó predecir opciones de tratamiento para muestras celulares y tipos de cáncer inéditos.
Los resultados demostraron que PDGrapher logró identificar con precisión objetivos terapéuticos ya conocidos, incluso cuando fueron excluidos deliberadamente del entrenamiento para prevenir respuestas memorizadas. Además, el modelo propuso nuevos candidatos apoyados por evidencia emergente.
Entre los hallazgos más destacados, identificó el gen KDR (VEGFR2) como objetivo relevante en el cáncer de pulmón no microcítico, en línea con datos clínicos, y la enzima TOP2A como diana en ciertos tumores, respaldando estudios preclínicos sobre su papel en la metástasis.
En un grupo de pacientes con cáncer de pulmón, PDGrapher identifica el gen KDR como relevante, a pesar de que este gen no había sido el centro de atención en tratamientos anteriores. Ante este hallazgo, los investigadores pueden dirigir sus esfuerzos hacia fármacos ya disponibles orientados a ese objetivo o en el desarrollo de nuevas terapias que aborden específicamente el gen identificado.
Ventaja competitiva frente a otras tecnologías
En comparación con otras herramientas similares, PDGrapher demostró una precisión y eficiencia superiores. En conjuntos de datos inéditos, fue capaz de clasificar los objetivos terapéuticos correctos hasta un 35% mejor que otros modelos y entregó resultados hasta 25 veces más rápido que enfoques alternativos de inteligencia artificial.
El potencial de esta tecnología trasciende el cáncer. PDGrapher podría optimizar el diseño de nuevos medicamentos al permitir que los investigadores se concentren en los objetivos más prometedores desde el inicio, lo que reduce el tiempo y los recursos necesarios para desarrollar tratamientos.
Este enfoque resulta especialmente valioso en enfermedades impulsadas por múltiples vías biológicas, donde los tumores o patologías complejas pueden evadir terapias centradas en un solo objetivo. Al identificar varios factores implicados en la enfermedad, la herramienta ofrece una vía para sortear estas resistencias.
Hacia la medicina personalizada y nuevas líneas de investigación
Además, tras un proceso de validación, PDGrapher podría aplicarse en la medicina personalizada, analizando el perfil celular de cada paciente para diseñar combinaciones de tratamiento adaptadas a sus necesidades específicas. La herramienta también facilita la comprensión de los mecanismos biológicos que explican por qué ciertas combinaciones de fármacos funcionan, lo que podría abrir nuevas líneas de investigación en biomedicina.
Actualmente, el equipo de investigación utiliza PDGrapher para abordar enfermedades neurodegenerativas como el Parkinson y el Alzheimer, estudiando el comportamiento celular en estos trastornos y buscando genes que puedan restaurar la salud celular.
Además, existe una colaboración con el Centro para la Distrofia-Parkinsonismo Ligada al Cromosoma X en el Hospital General de Massachusetts, con el objetivo de identificar nuevos blancos terapéuticos y mapear genes o pares de genes que puedan ser modificados en el tratamiento de esta rara enfermedad hereditaria.
La perspectiva a largo plazo es establecer una base para una nueva etapa en el desarrollo de terapias médicas, mediante la elaboración de un mapa detallado de las posibles estrategias para revertir enfermedades a nivel celular.
Últimas Noticias
¿Aprender o moverse? Cómo el cerebro puede decidir en milisegundos qué debe hacer
La nueva comprensión sobre la interacción exacta de dos señales químicas, obtenida en modelos animales, podría orientar la creación de tratamientos innovadores para trastornos cerebrales, como el Parkinson
Qué es la teoría de grafos y cómo explica las conexiones entre las personas
De los juegos con lápiz y papel a las redes sociales, la teoría de grafos permite entender cómo se organizan y conectan personas, datos y sistemas. El divulgador científico Teo López Puccio explicó cómo los nodos y las relaciones ayudan a interpretar desde problemas matemáticos hasta el funcionamiento de plataformas digitales
En qué personas la vitamina D podría mejorar la respuesta inmune ante la microbiota intestinal
Investigadores de la Clínica Mayo de los Estados Unidos hicieron un ensayo clínico en el que analizaron cambios inmunológicos tras 12 semanas de tratamiento. Cómo los resultados podrían favorecer a la medicina más personalizada
La acción de hormonas masculinas explica el mayor riesgo de un tumor cerebral infantil agresivo en varones
Un estudio reciente identifica a la señalización de andrógenos como el factor clave detrás de la alta incidencia y peor pronóstico del ependimoma tipo A de fosa posterior. El hallazgo abre la puerta a ensayos clínicos con terapias anti-androgénicas en una enfermedad que afecta principalmente a niños pequeños y carece de tratamientos dirigidos
Qué es la enfermedad de Huntington y en qué consiste el “puente secreto” que permite su avance en el cerebro
Científicos de los Estados Unidos y México descubrieron una red microscópica que conecta células cerebrales y facilita el daño neurológico. Cómo el hallazgo podría facilitar el desarrollo de tratamientos que limiten el impacto del trastorno
