Herramientas de IA para predecir la medicación más eficaz

Inicio » Actualidad » Herramientas de IA para predecir la medicación más eficaz

Encontrar el tratamiento que mejor funciona para cada persona no es solo un sueño de la medicina personalizada; ya hay herramientas capaces de anticipar qué fármaco será más eficaz antes de recetarlo. Desde la predicción de respuesta en esclerosis múltiple hasta la identificación de interacciones peligrosas o el reposicionamiento de fármacos, la combinación de datos biomédicos, imágenes celulares y algoritmos de inteligencia artificial está cambiando las reglas del juego.

En los últimos años, múltiples equipos han presentado métodos que abordan distintos frentes del problema: predecir eficacia, minimizar efectos adversos y acelerar el desarrollo de nuevas indicaciones. Este panorama incluye avances en esclerosis múltiple con microscopía de alto contenido, plataformas con organoides cerebrales y modelos explicables para reutilizar medicamentos, junto con enfoques basados en historiales clínicos electrónicos y en la comprensión de procesos celulares a escala de sistemas.

Por qué urge predecir qué medicación funcionará

El desarrollo farmacéutico clásico se enfrenta a un muro: alrededor del 80% de los medicamentos fracasan en fases avanzadas cuando llegan a pacientes, y cada proyecto puede superar los 2.600 millones de dólares. Esta realidad explica la presión por seleccionar mejor las dianas, refinar los modelos preclínicos y personalizar ensayos clínicos, reduciendo tiempo, costes y decepciones tardías.

A esto se suma un problema creciente: la polimedicación. Un segmento amplio de la población mayor consume varios fármacos a diario y, con ello, crece la probabilidad de reacciones adversas por interacciones. En España se registran cada año más de 200.000 sospechas de RAM; contar con sistemas que alerten de combinaciones de riesgo o anticipen efectos indeseados es clave para la seguridad del paciente y para una prescripción más ajustada.

Además, incluso cuando un tratamiento funciona de media, no todos los pacientes responden igual. Un ejemplo emblemático es el natalizumab en esclerosis múltiple: reduce recaídas y frena la progresión, pero un porcentaje notable de personas no obtiene el beneficio esperado, con el consiguiente coste clínico y económico. Identificar de antemano quién responderá permite evitar exposiciones innecesarias y redirigir antes la estrategia terapéutica.

Esclerosis múltiple: imágenes celulares y aprendizaje automático para anticipar la respuesta a natalizumab

Un equipo colaborativo de Brasil y Francia ha presentado una herramienta que, combinando imágenes celulares de alto contenido (HCI) y aprendizaje automático, predice la probabilidad de que un paciente con esclerosis múltiple responda al natalizumab antes de iniciar el tratamiento. Este anticuerpo monoclonal bloquea la unión VLA-4/VCAM-1 para impedir que linfocitos activados crucen al sistema nervioso central e inicien inflamación.

El hallazgo clave está en cómo el fármaco altera la morfología de las células T, especialmente las CD8+, mediante la remodelación de la actina. En los respondedores se aprecia una tendencia a formas más redondeadas y pérdida de polaridad, mientras que los no respondedores muestran resistencia a esa remodelación, mantienen un estado migratorio más activo y una polaridad menos alterada, rasgos que parecen socavar la eficacia del natalizumab.

Para extraer estos patrones, se analizaron muestras de pacientes aún no tratados, colocadas en placas recubiertas con VCAM-1 y bajo estimulación inmunitaria. Con HCI se cuantificaron más de 400 rasgos morfológicos por célula y se exploraron más de un millón de combinaciones de variables. El modelo finalmente seleccionó 130 características informativas para predecir la respuesta, alcanzando una precisión del 92% en la cohorte de descubrimiento y del 88% en validación.

Más allá de su rendimiento técnico, el impacto práctico es claro: reducir efectos adversos, ajustar costes y mejorar resultados. Se citan, por ejemplo, gastos del orden de 10.000 reales al mes en el SUS de Brasil, por lo que evitar tratamientos ineficientes supondría un ahorro sustancial. Además, los investigadores planean validar en cohortes más grandes y diversas, simplificar el acceso a estos marcadores morfológicos con equipos más asequibles y extender la idea a otras patologías. Como resumió uno de sus autores, la “gran idea” fue convertir las imágenes en números y apalancarlos con aprendizaje automático.

Organoides con IA: la plataforma de OrganAID para ensayar fármacos en tejidos humanos 3D

La Universidad de Barcelona y la Universidad Pompeu Fabra han impulsado OrganAID Holdings, una spin-off que une organoides cerebrales derivados de pacientes con una herramienta de IA entrenada en una gran base de imágenes de organoides. Los organoides son cultivos 3D que recrean, de forma simplificada, la fisiología de un órgano humano, lo que permite evaluar toxicidad y eficacia en un contexto mucho más próximo a la realidad clínica.

Con este enfoque, se pueden testear fármacos in vitro para enfermedades neurológicas difíciles, incluso sin tratamiento aprobado, y hacerlo con una personalización real a cada paciente. Según explica la Dra. Sandra Acosta, el cuello de botella no siempre es la falta de moléculas dirigidas al sistema nervioso central, sino la ausencia de modelos que reflejen fielmente el tejido humano; los organoides, combinados con IA, ayudan a cerrar esa brecha.

La versatilidad de la plataforma la hace aplicable a patologías genéticas y oncológicas; el equipo ya explora proyectos en cáncer de colon y de cerebro. Para llegar hasta aquí ha habido un fuerte apoyo a la transferencia: programas como F2I (Fondo para el Impulso de la Innovación) de la Fundación Bosch i Gimpera y la UB, UPF INNOValora, la iniciativa María de Maeztu, además de ayudas como AGAUR o CaixaImpulse, han sido palancas clave para madurar la tecnología y validar su potencial de mercado.

En lo empresarial, el equipo combina excelencia científica y experiencia de gestión. Su CEO, Víctor Bañares, cofundador de Vueling e Iryo, aporta bagaje estratégico; el CCO, Toni Villar, suma trayectoria en grandes multinacionales; y Óscar Lao (CSIC) lidera el componente bioinformático y genético. Desde la Facultad de Medicina de la UB, el decano Dr. Antoni Trilla ha destacado la capacidad transformadora de una spin-off que conecta investigación, innovación y sociedad.

Reposicionamiento con explicaciones: XG4Repo y sus reglas biológicas

Cuando una IA sugiere que un medicamento sirve también para otra enfermedad, no basta con la predicción: los clínicos necesitan argumentos. Ese es el espíritu de XG4Repo (eXplainable Graphs for Repurposing), un algoritmo de la ETSIT (UPM) que trabaja sobre gráficos de conocimiento y, junto al emparejamiento fármaco-enfermedad, muestra los mecanismos biológicos y reglas que sustentan la recomendación, incluyendo la importancia de cada regla.

Esta interpretabilidad permite a los expertos validar (o descartar) la propuesta, reforzando la robustez de las decisiones. En pruebas con tres fármacos oncológicos conocidos, XG4Repo recuperó numerosas asociaciones que ya se encontraban en fases iniciales de ensayos clínicos, un buen indicio de consistencia. El trabajo, adscrito al Centro IPTC, subraya que la IA debe ofrecer predicciones auditables y conectadas con la biología real, no cajas negras.

La publicación científica del equipo —firmada por Ana Jiménez, María José Merino, Juan Parras y el catedrático Santiago Zazo— demuestra que completar caminos biológicos en un grafo de conocimiento puede guiar el reposicionamiento de fármacos con explicaciones entendibles. Para sistemas sanitarios y reguladores, esta transparencia es un requisito cada vez más apreciado.

Evitar interacciones y reacciones adversas: CASTER (MIT–IBM)

Otra necesidad crítica es la predicción de interacciones entre medicamentos. En un mundo con población envejecida y polimedicada, anticipar combinaciones problemáticas salva ingresos hospitalarios y, sobre todo, vidas. El laboratorio conjunto MIT–IBM Watson presentó en un gran congreso de IA un modelo —denominado CASTER— que aprende una representación del fármaco y estima la probabilidad de reacciones adversas por interacción, y lo hace tanto para moléculas aprobadas como para compuestos en desarrollo.

La clave está en capturar subestructuras químicas frecuentes que condicionan la compatibilidad entre fármacos. Con ello, se logran estimaciones más precisas que los métodos tradicionales, especialmente útiles cuando un paciente toma seis, ocho o más medicamentos. Dada la magnitud de las RAM reportadas cada año, incorporar estas predicciones a la práctica clínica es una medida de seguridad tan básica como eficaz.

Mutaciones de parada prematura: RTDetective empareja la mutación con el fármaco adecuado

Una línea prometedora para enfermedades genéticas y cánceres con mutaciones sin sentido llega del IRB Barcelona y el Centro de Regulación Genómica. Su herramienta pública, RTDetective, predice qué fármacos de “lectura a través” (readthrough) pueden restaurar la síntesis de proteínas truncadas en función del contexto de la mutación de cada paciente, ayudando a emparejar personas y tratamientos con una precisión inédita.

Las proteínas incompletas surgen cuando aparece una señal “stop” en el ADN que detiene la traducción; esto afecta a una proporción importante de enfermedades monogénicas y a genes supresores de tumores. El equipo construyó un sistema experimental en líneas celulares humanas y midió la eficacia de ocho fármacos en 5.800 señales de parada prematura reportadas en bases como ClinVar y TCGA. Con más de 140.000 mediciones, entrenaron modelos predictivos con datos de seis de los ocho fármacos.

El resultado fue un mapa a escala genómica: el algoritmo estimó la respuesta para 32,7 millones de señales de parada posibles. En el 87,3% de los casos, predijo que al menos uno de los seis fármacos incrementaría la lectura un 1% o más; casi en el 40% superaría el 2%. Puede parecer poco, pero existen patologías —como el síndrome de Hurler— en las que mejoras del orden de 0,5% ya atenúan la severidad al recuperar una mínima fracción de proteína funcional.

Un aspecto esencial es que la eficacia del fármaco no depende solo del tipo de mutación, sino del entorno de secuencia que rodea a la señal de parada: incluso dentro del mismo gen, hay “carreteras” más transitables y otras plagadas de baches. Los autores planean validar la funcionalidad de las proteínas recuperadas y explorar combinaciones terapéuticas, con especial interés en oncología, donde los stop codons en genes supresores son muy comunes.

De variantes raras al riesgo real: IA más historiales clínicos electrónicos

La interpretación de variantes genéticas raras es un quebradero de cabeza: muchas se etiquetan como de significado incierto. Investigadores en Nueva York abordaron el problema entrenando modelos con más de un millón de historiales médicos electrónicos y construyeron puntuaciones (0 a 1) que cuantifican la probabilidad de desarrollar la enfermedad en individuos portadores, incorporando datos clínicos corrientes como colesterol o analíticas.

Se generaron modelos de IA para diez enfermedades hereditarias y se asignaron puntuaciones de riesgo a más de 1.600 variantes. Lo interesante es que algunas variantes “inciertas” muestran, al integrar la información clínica real, una vinculación clara con patologías concretas. El objetivo no es reemplazar el juicio médico, sino aportar una señal cuantitativa que oriente decisiones: realizar pruebas adicionales, adelantar medidas preventivas o, en sentido contrario, evitar intervenciones innecesarias cuando el riesgo es bajo.

El equipo trabaja en ampliar el número de enfermedades, variantes y, muy importante, en representar poblaciones más diversas. Esta aproximación alinea genética y fenotipo en la misma ecuación, acercando las predicciones a la práctica asistencial ordinaria, donde el contexto del paciente vale tanto como la mutación que lleva.

Comprender cómo actúan los fármacos: LogiRx y la biología de sistemas

Otra pieza del puzle es entender, a escala de redes celulares, cómo un fármaco modifica procesos biológicos. La herramienta LogiRx, desarrollada en la Universidad de Virginia y publicada en PNAS, investiga los efectos de medicamentos sobre rutas intracelulares y fisiológicas. Así, no solo detecta qué población podría beneficiarse, sino también por qué y de qué manera, abriendo vías para reutilizar compuestos ya seguros en humanos.

Un caso que llamó la atención fue el del antidepresivo escitalopram (Lexapro), identificado como candidato a prevenir cambios perjudiciales que conducen a hipertrofia cardiaca y, con el tiempo, a insuficiencia cardiaca. De 62 fármacos sugeridos previamente como potenciales inhibidores de la hipertrofia, la IA priorizó siete por posibles efectos beneficiosos; las pruebas experimentales confirmaron dos, destacando el escitalopram. Además, en datos clínicos retrospectivos, quienes lo tomaban mostraron menor probabilidad de desarrollar hipertrofia que grupos comparables.

Aunque no está aprobado para esta indicación, el enfoque ilustra cómo IA y biología de sistemas permiten asignar rápidamente nuevos usos a fármacos conocidos y orientar ensayos con mayor precisión. El equipo prevé ampliar aplicaciones a campos como la oncología y enfermedades neurodegenerativas, donde los procesos celulares son complejos y las dianas múltiples.

Qué aporta cada enfoque a la predicción de medicación eficaz

Si ponemos las piezas juntas, emergen roles complementarios. La microscopía de alto contenido con aprendizaje automático permite anticipar respuesta individual a un fármaco concreto, como el natalizumab, a partir de la conducta celular ex vivo. Las plataformas con organoides e IA aproximan la fisiología humana y mejoran el cribado de toxicidad y eficacia antes de exponerse a ensayos costosos.

En paralelo, los modelos explicables basados en grafos biológicos (XG4Repo) dan razones verificables para el reposicionamiento, ayudando a científicos y clínicos a confiar en la predicción. Los sistemas que detectan interacciones y RAM (CASTER) son el airbag de la polimedicación, y RTDetective demuestra que se puede casar la mutación exacta con el fármaco óptimo para saltar señales de parada prematura.

La integración de información clínica real a gran escala —con historiales electrónicos— permite transformar una variante “gris” en una estimación de riesgo accionable, y herramientas como LogiRx conectan el fármaco con el proceso celular afectado, acelerando la generación de hipótesis para nuevas indicaciones. Cada pieza reduce incertidumbre en un eslabón distinto de la cadena terapéutica.

Desafíos pendientes: validación, acceso y adopción

Para que estas herramientas entren de lleno en la clínica, hay retos claros: validar en cohortes más amplias y diversas, adaptar protocolos a tiempos asistenciales, y garantizar que los marcadores (por ejemplo, los morfológicos de EM) sean detectables con equipos asequibles. También es clave asegurar interpretabilidad y trazabilidad: que cada recomendación pueda auditarse y discutirse con evidencia en la mano.

Asimismo, conviene alinear a reguladores, sistemas sanitarios y fabricantes en estándares que faciliten incorporar estas soluciones sin fricciones. Donde hay costes elevados —como los citados en esclerosis múltiple o el peaje económico global del I+D—, el retorno de recetar mejor a la primera y de evitar RAM puede ser enorme, no solo en dinero, también en calidad y expectativa de vida.

Todo apunta a que la suma de tecnologías —imágenes, organoides, grafos de conocimiento, datos clínicos masivos y modelos mecanísticos— está inaugurando una etapa en la que elegir el fármaco adecuado para la persona adecuada deja de ser una lotería. Con precisión creciente, estas herramientas ayudan a decidir antes, reducir riesgos y concentrar recursos donde más van a rendir.