Gracias a una nueva herramienta de IA, el diagnóstico de infecciones, enfermedades autoinmunes y respuestas a vacunas puede hacerse simultáneamente. Así quedó comprobado en una investigación adelantada por la Universidad de Stanford (Estados Unidos).
Un algoritmo innovador ha sido capaz de analizar genes que codifican los receptores de células inmunitarias para identificar una amplia gama de condiciones de salud, incluyendo COVID-19, VIH, diabetes tipo 1, lupus, así como a aquellos que recibieron recientemente una vacuna contra la gripe y controles sanos. Los receptores de células B y T, fundamentales en la respuesta inmune del cuerpo, sirven como un registro detallado de su actividad. Según el inmunólogo computacional Ramy Arnaout, este enfoque podría, en principio, permitir la creación de un diagnóstico único que pueda identificar múltiples condiciones de salud en una sola prueba.
Aunque se trata de un gran avance científico, las respuestas inmunológicas varían ampliamente entre los individuos, lo que dificulta la comparación de receptores inmunitarios en personas con la misma condición. Los modelos de lenguaje grande (LLM), utilizados en tecnologías como ChatGPT, podrían ser la clave para abordar este desafío. Sin embargo, esto requiere una amplia disponibilidad de datos para que sean analizados.
“Los enfoques tradicionales [de secuenciación] a veces tienen dificultades para agrupar los receptores inmunitarios que pueden parecer ligeramente diferentes pero en realidad reconocen el mismo objetivo”, dijo Maxim Zaslavsky, coautor de la investigación. Los modelos de lenguaje grande (LLM) —la misma tecnología subyacente detrás de ChatGPT— “sobresalen en este tipo de tarea”, aseguró.
La IA como solución: ¿nos acercamos cada vez más a diagnósticos precisos de enfermedades?
La investigación publicada en Science combinó varias herramientas de inteligencia artificial para examinar 23,5 millones de secuencias de receptores de células T y 16,2 millones de receptores de células B de muestras de sangre de 593 individuos. Los pacientes estudiados incluían personas con condiciones como COVID-19, VIH, lupus, diabetes tipo 1 y aquellos que recibieron la vacuna contra la gripe, así como controles sanos. La investigación, utilizando el algoritmo denominado Machine Learning for Immunological Diagnosis, demostró que la combinación de datos de células B y T produce diagnósticos más precisos.
En las muestras combinadas de células B y T, el estudio logró una precisión del 85.3% con un AUROC de 0.986. Cuando se analizó solo la información de las células B, la precisión fue de 74.0% con un AUROC de 0.959, y en el caso de las células T, alcanzó una precisión de 75.1% con un AUROC de 0.952. Zaslavsky señaló que la combinación de estos dos tipos de receptores es esencial para obtener una visión panorámica de la actividad inmunitaria, ya que ambas ramas del sistema inmunológico interactúan y trabajan juntas, lo que facilita la identificación precisa de enfermedades como el COVID-19, VIH, lupus y diabetes tipo 1.
A pesar de que esta herramienta de inteligencia artificial aún está lejos de su implementación clínica, la capacidad de realizar una prueba de diagnóstico multiplex —que detecta varios biomarcadores a partir de una sola muestra— podría facilitar el diagnóstico diferencial, reduciendo considerablemente el tiempo para identificar diversas enfermedades. Además, a medida que los costos de secuenciación siguen disminuyendo, estas pruebas podrían convertirse en una opción más económica, al disminuir la necesidad de realizar múltiples pruebas de laboratorio costosas.
Otro punto a considerar es el impacto de las pruebas, más allá de los diagnósticos. Siguiendo el ejemplo de la secuenciación genómica, que ha sido clave en el desarrollo de tratamientos dirigidos para algunos tipos de cáncer, los desarrolladores esperan que la secuenciación de los receptores de células inmunitarias tenga un efecto similar en otras áreas médicas. Según Zaslavsky, al examinar la actividad subyacente del sistema inmunológico, una herramienta como esta podría facilitar la identificación de tratamientos más eficaces para enfermedades autoinmunes, reduciendo la dependencia del proceso de ensayo y error.
