Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

LabMedica

Deascargar La Aplicación Móvil
Noticias Recientes Expo COVID-19 Química Clínica Diagnóstico Molecular Hematología Inmunología Microbiología Patología Tecnología Industria Focus

Nueva herramienta predice medicación más eficaz para esclerosis múltiple

Por el equipo editorial de LabMedica en español
Actualizado el 01 Oct 2025

La esclerosis múltiple (EM) es una enfermedad neurológica autoinmune y degenerativa crónica que afecta al sistema nervioso central y provoca deterioro motor, cognitivo y mental. Los síntomas pueden incluir dificultad para caminar, pérdida de fuerza muscular, problemas de memoria y alteraciones del estado de ánimo. Aunque el natalizumab se utiliza ampliamente para reducir las recaídas y ralentizar la progresión, alrededor del 35 % de los pacientes no responden completamente, con riesgo de recaída en un plazo de dos años y efectos adversos. Investigadores han identificado un nuevo método para predecir la respuesta al tratamiento antes de iniciarlo.

Una colaboración entre investigadores brasileños de la Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP, São Paulo, Brasil) e instituciones francesas ha dado lugar al desarrollo de una herramienta predictiva que combina imágenes celulares avanzadas y aprendizaje automático. El fármaco natalizumab, un anticuerpo monoclonal, impide que las células inmunitarias entren en el cerebro y desencadenen inflamación al bloquear la unión de VLA-4 a VCAM-1.


Imagen: la imagen celular automatizada discrimina las células T CD8+ de acuerdo con el resultado del tratamiento de natalizumab en pacientes con EM (B Chaves et al., Nat Commun 16, 5533 (2025). DOI: 10.1038/s41467-025-60224-3)
Imagen: la imagen celular automatizada discrimina las células T CD8+ de acuerdo con el resultado del tratamiento de natalizumab en pacientes con EM (B Chaves et al., Nat Commun 16, 5533 (2025). DOI: 10.1038/s41467-025-60224-3)

Los investigadores observaron que el natalizumab altera células inmunitarias como las células T CD8+, dándoles una forma más redondeada mediante la remodelación de la actina, una proteína esencial para la estructura y el movimiento celular. Mediante imágenes de alto contenido (HCI), los científicos analizaron más de 400 características morfológicas de células T expuestas al natalizumab in vitro. Se tomaron muestras de pacientes con EM no tratados en Francia y se analizaron en placas recubiertas con VCAM-1 bajo estimulación inmunitaria. Los algoritmos de aprendizaje automático procesaron más de un millón de combinaciones, con 130 características que proporcionaron información relevante para la predicción de la respuesta.

Los hallazgos, publicados en Nature Communications, muestran que la herramienta alcanzó una precisión del 92 % en la cohorte de descubrimiento y del 88 % en la cohorte de validación al predecir la respuesta de los pacientes al tratamiento. Los linfocitos T CD8+ se identificaron como una subpoblación crítica, donde los pacientes sin respuesta mostraron una remodelación resistente de la actina, una menor pérdida de polaridad y una mayor migración. Estos hallazgos resaltan cómo el mantenimiento del estado migratorio de los linfocitos T puede socavar la eficacia del tratamiento.

La herramienta representa un avance significativo para la medicina de precisión, ya que ofrece el potencial de reducir los efectos secundarios, optimizar costos (como el costo promedio de 10.000 reales al mes en el SUS de Brasil) y mejorar los resultados de los pacientes al orientar las decisiones terapéuticas. Los planes del equipo de investigación para el futuro incluyen validar el enfoque con grupos de pacientes más amplios y diversos, y explorar su aplicación en otras enfermedades. Los investigadores también buscan que el marcador morfológico sea accesible con equipos más sencillos y económicos, ampliando así su uso clínico.

“El proyecto es sumamente interesante e innovador”, afirmó Helder Nakaya, investigador principal y autor del artículo. “La gran idea fue tomar la imagen, transformarla en números y usar esta tabla en aprendizaje automático. Estoy seguro de que ahora será posible replicar este tipo de enfoque para otras enfermedades y tratamientos”.

Enlaces relacionados:
FAPESP


New
Miembro Oro
Hybrid Pipette
SWITCH
Collection and Transport System
PurSafe Plus®
Human Estradiol Assay
Human Estradiol CLIA Kit
Miembro Oro
Cardiovascular Risk Test
Metabolic Syndrome Array I & II

Últimas Inmunología noticias

Prueba diagnóstica complementaria para pacientes con CCR identifica población elegible para tratamiento
01 Oct 2025  |   Inmunología

Nueva herramienta utiliza aprendizaje profundo para terapia de precisión contra cáncer
01 Oct 2025  |   Inmunología

Prueba diagnóstica complementaria identifica cáncer de mama y de vías biliares con HER2 ultrabajo
01 Oct 2025  |   Inmunología