Investigadores presentan un modelo de IA que mejora el diagnóstico de enfermedades raras

Un equipo internacional de investigadores ha desarrollado popEVE, un modelo de inteligencia artificial diseñado para identificar mutaciones genéticas potencialmente responsables de enfermedades raras, superando en precisión y alcance a las herramientas existentes.

Esta innovación, impulsada por científicos del Centro de Regulación Genómica de Barcelona en colaboración con la Escuela de Medicina de Harvard, promete transformar el diagnóstico genético, especialmente en casos complejos donde la información sobre variantes es limitada.

PopEVE destaca por su capacidad para analizar mutaciones genéticas desconocidas y predecir su impacto en la salud humana. El modelo utiliza información evolutiva recopilada de cientos de miles de especies animales, lo que le permite evaluar la probabilidad de que una mutación cause daño.

A diferencia de otros sistemas, popEVE integra datos de diversidad genética animal con grandes bases de datos humanas, como UK Biobank y gnomAD, calibrando así sus predicciones con información sobre las variantes que las personas sanas pueden tolerar.

El funcionamiento de popEVE se centra en el análisis de mutaciones de cambio de sentido, conocidas como “missense”, que alteran un solo aminoácido en una proteína. Los investigadores examinan la presencia o ausencia de estas variantes en diferentes especies para inferir su posible efecto perjudicial.

Si una mutación no aparece en los registros evolutivos, es probable que sea dañina, ya que los organismos portadores habrían tenido menos posibilidades de sobrevivir.

La validación del modelo incluyó pruebas con datos genéticos de 31.000 familias cuyos hijos presentaban trastornos graves del desarrollo. En 513 casos con mutaciones completamente nuevas, popEVE identificó correctamente la variante más dañina en el 98% de las ocasiones.

Además, el modelo permitió descubrir 123 genes que, aunque nunca antes se habían relacionado con trastornos del desarrollo, interactúan con proteínas ya asociadas a enfermedades y están activos en el cerebro en crecimiento.

En comparación con otros modelos, como AlphaMissense de Google DeepMind, popEVE demostró una mayor precisión tanto en la predicción de la gravedad de las enfermedades como en la adaptación a poblaciones de ascendencia no europea. Esta ventaja resulta especialmente relevante para países de ingresos bajos y medios, donde la diversidad genética suele estar subrepresentada en las bases de datos y los recursos computacionales son limitados.

El modelo ya ha mostrado su utilidad en contextos reales, como en Senegal, donde se utilizó con éxito para orientar el tratamiento de un paciente con atrofia muscular, quien mejoró tras recibir un suplemento de vitamina B2.

La eficiencia de popEVE, que no requiere grandes cantidades de energía para funcionar, lo convierte en una herramienta accesible para sistemas de salud con recursos limitados y para pacientes que no disponen de muestras genéticas parentales.

Expertos en el campo destacan el potencial de popEVE para ampliar el alcance del diagnóstico genético. Damian Smedley, profesor de genómica computacional en Queen Mary University of London, indicó en un comunicado que este avance permitirá aplicar el modelo de manera escalable a todos los genes, abriendo nuevas posibilidades para la medicina genómica.

La posibilidad de evaluar de forma sistemática el impacto de todas las variantes en el genoma de un paciente representa un avance decisivo hacia la plena integración de la secuenciación genómica en la atención sanitaria, acercando la promesa de diagnósticos más precisos y tratamientos personalizados para quienes padecen enfermedades raras.