Una herramienta basada en IA y gemelos digitales abre la puerta a terapias metabólicas personalizadas contra el glioma.
Un equipo de investigadores de Michigan Medicine desarrolló un enfoque innovador basado en “gemelos digitales” o digital twins para analizar el metabolismo de tumores cerebrales en pacientes con glioma. El estudio, publicado en la revista Cell Metabolism, combina datos clínicos reales con modelos computacionales y aprendizaje automático para estimar, por primera vez en pacientes humanos, la actividad de rutas metabólicas clave dentro del tumor.
El metabolismo del cáncer ha sido un objetivo terapéutico durante décadas, pero hasta ahora ha sido difícil medir con precisión qué tan activas están ciertas vías metabólicas dentro de los tumores humanos. Las técnicas tradicionales de análisis metabólico funcionan bien en modelos experimentales, pero presentan limitaciones en pacientes debido a la complejidad del entorno tumoral y a la imposibilidad de realizar mediciones repetidas en el tiempo. Para superar estos obstáculos, los investigadores desarrollaron un marco de “gemelo digital” integra datos de trazadores metabólicos con isótopos de carbono, simulaciones bioquímicas y redes neuronales.
“Por lo general, las mediciones metabólicas realizadas durante las cirugías para extirpar tumores no pueden proporcionar una imagen clara del metabolismo tumoral: los cirujanos no pueden observar cómo varía el metabolismo con el tiempo y los laboratorios se limitan a estudiar los tejidos después de la cirugía. Al integrar los datos limitados de los pacientes en un modelo basado en la biología, la química y la física fundamentales, superamos estos obstáculos”, explicó Deepak Nagrath, profesor de ingeniería biomédica de la Universidad de Michigan y coautor correspondiente del estudio.
Este enfoque permite estimar los flujos metabólicos, es decir, la velocidad con la que los nutrientes son procesados dentro de las células tumorales, incluso a partir de una sola muestra obtenida durante la cirugía. Además, el modelo puede diferenciar el comportamiento metabólico de distintos tipos celulares dentro del microambiente tumoral, gracias a la integración de datos de secuenciación de ARN a nivel de célula individual.
“Esta es la primera vez que se utiliza un enfoque basado en machine learning (o aprendizaje automático) y la inteligencia artificial (IA) para medir directamente el flujo metabólico en los tumores de los pacientes”, afirmó Baharan Meghdadi, estudiante de doctorado en ingeniería química y coautor principal del estudio.
Al aplicar esta metodología en pacientes con glioma, el equipo identificó una elevada actividad en rutas metabólicas relacionadas con la síntesis de nucleótidos y el uso de aminoácidos como la serina. Estos procesos son esenciales para el crecimiento y la división celular, y su intensidad varía entre pacientes. Esta heterogeneidad metabólica sugiere que no todos los tumores responden de la misma manera a las terapias dirigidas al metabolismo.
Uno de los hallazgos más relevantes es que el modelo permitió predecir qué pacientes podrían beneficiarse de estrategias terapéuticas específicas, como dietas bajas en serina y glicina o fármacos que inhiben la síntesis de nucleótidos. En modelos animales y datos clínicos, las predicciones del gemelo digital se correlacionaron con la respuesta real a estas intervenciones, lo que refuerza el potencial clínico del enfoque.
“Estos resultados son muy interesantes. La capacidad de medir la actividad metabólica en los tumores de los pacientes podría permitirnos predecir qué terapias metabólicas podrían funcionar mejor para cada paciente”, resaltó Daniel Wahl, profesor de Oncología Radioterápica de la familia Achtenberg y coautor correspondiente del estudio.
En este sentido, un médico podría utilizar al gemelo digital para probar una dieta específica o un medicamento para un paciente antes de cambiar su alimentación o su tratamiento. Esto permite una atención oncológica personalizada, cómo explica otro de los coautores, Costas Lyssiotis, no solamente para el cáncer cerebral sino para una variedad de tumores. “Al simular diferentes terapias de forma virtual, esperamos evitar a los pacientes tratamientos innecesarios y centrarnos en aquellos que probablemente les ayuden”, afirmó.
Los autores también señalan que esta herramienta podría contribuir al desarrollo de terapias metabólicas personalizadas, al ayudar a seleccionar tratamientos en función de la actividad metabólica real de cada tumor. Aunque reconocen que se necesitan estudios con más pacientes para validar su uso clínico, destacan que el marco de gemelos digitales abre nuevas posibilidades para entender cómo los tumores obtienen energía y materiales para crecer, y cómo estas dependencias pueden ser aprovechadas terapéuticamente.
