Imágenes con IA permiten tratamiento más rápido de enfermedades pulmonares

La fibrosis pulmonar idiopática (FPI) es una enfermedad pulmonar crónica e incurable que causa la cicatrización progresiva del tejido pulmonar, lo que afecta gravemente la capacidad respiratoria. Los tratamientos actuales solo pueden ralentizar la progresión de la enfermedad y no revertir el daño fibrótico. La naturaleza impredecible de la FPI y la falta de estrategias terapéuticas eficaces la convierten en una enfermedad difícil de estudiar y tratar. Ahora, un nuevo algoritmo de aprendizaje profundo ofrece un enfoque eficaz para interpretar datos de la enfermedad e identificar posibles tratamientos, lo que supone un avance significativo en la comprensión de la FPI y otras enfermedades complejas.

La herramienta, conocida como UNAGI (siglas en inglés para dinámica celular in silico unificada y marco de análisis de fármacos), fue desarrollada por investigadores de la Facultad de Medicina de Yale (New Haven, Connecticut, EUA) en colaboración con otras instituciones. Se trata de una red neuronal generativa profunda diseñada para descubrir patrones biológicos específicos de enfermedades y proponer fármacos candidatos con mínima supervisión humana. UNAGI funciona analizando grandes conjuntos de datos para modelar la progresión de la enfermedad a nivel celular. Utilizando datos de secuenciación de 230.000 células, el sistema de IA crea representaciones virtuales de las células y sus estados patológicos.

Lo que distingue a UNAGI de otros modelos es su diseño basado en la enfermedad: no solo identifica genes y redes reguladoras implicadas en la progresión de la enfermedad, sino que también integra esta información en el modelo para un refinamiento continuo. Este aprendizaje iterativo integrado permite que la herramienta interprete nuevos datos de forma autónoma y pruebe diferentes fármacos, eliminando la necesidad de reentrenamiento manual. El sistema también extrae información de una base de datos de miles de fármacos con mecanismos de acción conocidos para predecir qué compuestos podrían ser eficaces para una enfermedad específica.

UNAGI se entrenó inicialmente con datos de FPI recopilados de muestras de tejido pulmonar obtenidas durante cirugías de trasplante. El tejido se cortó y analizó para representar los diferentes estadios de la enfermedad, lo que permitió al equipo de Yale catalogar la expresión génica en células individuales y crear un atlas unicelular de fibrosis pulmonar. El modelo identificó las redes reguladoras relevantes y clasificó los estadios de la enfermedad. Posteriormente, analizó miles de fármacos para identificar ocho con posibles efectos antifibróticos. Uno de ellos fue la nifedipina, un bloqueador de los canales de calcio comúnmente utilizado para la hipertensión, que UNAGI identificó como un posible tratamiento para la FPI. La validación de laboratorio con cortes de tejido pulmonar modelados con FPI confirmó la predicción de UNAGI: la nifedipina inhibió eficazmente la formación de tejido cicatricial.

Esta investigación, publicada en Nature Biomedical Engineering, subraya el potencial transformador de la fusión de la IA con la secuenciación unicelular para abrir nuevas vías en el tratamiento de la FPI y otras enfermedades progresivas. La capacidad de UNAGI para analizar conjuntos de datos complejos, modelar trayectorias de enfermedades e identificar de forma autónoma candidatos terapéuticos podría transformar la investigación clínica al acelerar el descubrimiento de tratamientos eficaces. Aunque inicialmente se aplicó a la FPI, la herramienta también ha demostrado ser prometedora en el análisis de otras enfermedades, como el envejecimiento y la COVID-19, lo que sugiere su amplia aplicabilidad en la investigación biomédica y el desarrollo de fármacos.

Enlaces relacionados:
Facultad de Medicina de Yale