Un marco de aprendizaje automático revela los impulsores clave de las respuestas de citocinas en una cohorte humana sana

Por qué difieren nuestras reacciones inmunitarias

Cuando dos personas sanas contraen el mismo resfriado, una puede apenas moquear mientras la otra pasa días en la cama. Gran parte de esa diferencia proviene de la intensidad con la que sus sistemas inmunitarios liberan proteínas de señalización llamadas citocinas. Este estudio plantea una pregunta simple pero importante: ¿podemos predecir cómo reaccionará el sistema inmunitario de una persona sana usando una mezcla de datos genéticos y factores cotidianos como la estación del año, infecciones pasadas y analíticas sanguíneas?

Un examen detallado de sistemas inmunitarios sanos

Para explorar esto, los investigadores constituyeron un grupo cuidadosamente seleccionado de 406 adultos sanos, todos evaluados en condiciones estandarizadas. Obtuvieron sangre por la mañana tras ayuno, midieron niveles hormonales y recuentos de células inmunitarias, y registraron factores como sexo, edad, peso corporal y estación de la toma de muestras. A continuación estimularon sangre total fresca con sustancias que imitan gérmenes y activan dos ramas principales de la inmunidad: los receptores tipo Toll (centinelas innatos que detectan señales de peligro generales) y los receptores de células T (células adaptativas que reconocen dianas específicas). El equipo midió 11 respuestas diferentes de citocinas, creando un panorama rico de cómo reacciona el sistema inmunitario de cada persona ante desafíos de laboratorio controlados.

Encontrar patrones de respondedores fuertes y débiles

El primer paso fue ver si las personas caen de forma natural en “tipos” inmunitarios reconocibles. Al examinar cómo respondía una citocina clave, IL-6, a varios estímulos innatos, el equipo identificó dos grupos principales: productores altos y productores bajos. Los individuos que generaban más IL-6 ante un desencadenante innato tendían a producir más de otras citocinas relacionadas, lo que sugiere perfiles de respuesta estables. Los productores altos de IL-6 eran con más frecuencia hombres, tenían mayor número de un tipo de glóbulo blanco llamado monocitos y era más probable que hubieran sido muestreados en invierno, lo que subraya cómo tanto la biología como el entorno moldean el tono inmune a lo largo del año.

Genes frente a ambiente: ¿quién impulsa qué?

A continuación, los investigadores escanearon todo el genoma en busca de variantes de ADN vinculadas a niveles de citocinas y encontraron cuatro regiones que influían claramente en determinadas respuestas, incluida una variante bien conocida que afecta a citocinas impulsadas por células T. Pero los genes contaban solo una parte de la historia. Luego confrontaron varios enfoques de predicción entre sí, desde modelos lineales simples hasta técnicas de aprendizaje automático más flexibles, como random forests y árboles potenciados por gradiente. Al intentar predecir respuestas de citocinas usando solo datos genéticos, solo unas pocas citocinas relacionadas con células T pudieron pronosticarse con precisión razonable. Una vez que añadieron información biológica y ambiental —como recuentos sanguíneos, estación y exposición previa al citomegalovirus—, los modelos mejoraron, especialmente para las respuestas mediadas por receptores innatos, donde las señales puramente genéticas eran débiles.

Qué revelan los mejores modelos

El método más fiable fue una técnica basada en árboles llamada random forest. Al investigar cuánto empeoraban las predicciones cuando se barajaba cada entrada, los autores pudieron ver qué características importaban realmente. Para las citocinas impulsadas por células T, las variantes genéticas fueron los impulsores dominantes, con papeles menores de la edad y la exposición viral crónica. Para citocinas mediadas por receptores innatos como IL-6 y TNF, el momento estacional y los recuentos de monocitos fueron mucho más influyentes que los marcadores de ADN. El equipo también mostró lo fácil que es sobreestimar el poder de la genética si la selección de características se hace incorrectamente, y confirmó sus hallazgos principales en una cohorte independiente de casi 500 no fumadores. Curiosamente, las puntuaciones genéticas amplias de riesgo para enfermedades autoinmunes no mejoraron la predicción, lo que sugiere que los genes que predisponen a enfermedad no reflejan de forma sencilla los genes que ajustan las respuestas inmunitarias cotidianas en personas sanas.

Qué significa esto para la inmunidad personalizada futura

Para un lector no especializado, la lección es que nuestras respuestas inmunitarias no están escritas solo en nuestros genes. Algunas citocinas, especialmente las impulsadas por células T, están fuertemente moldeadas por cambios heredados en el ADN. Otras, en particular las producidas por sensores innatos como los receptores tipo Toll, dependen mucho más de factores variables como la estación, los recuentos celulares, las hormonas y exposiciones pasadas. Las herramientas modernas de aprendizaje automático pueden entrelazar estas piezas para clasificar quién es probable que sea un respondededor fuerte o débil, pero tienen límites y debe usarse con cuidado para evitar un optimismo engañoso. En conjunto, este trabajo nos acerca a la predicción del comportamiento inmunitario individual, a la vez que subraya que tanto nuestro genoma como nuestro entorno diario escriben conjuntamente cuán intensamente respondemos a una infección.

Cita: Liefferinckx, C., Bottieau, J., Quertinmont, E. et al. A machine learning framework reveals key drivers of cytokine responses in a healthy human cohort. npj Syst Biol Appl 12, 45 (2026). https://doi.org/10.1038/s41540-026-00671-w

Palabras clave: respuestas de citocinas, aprendizaje automático, variabilidad inmunitaria, genética y medio ambiente, inmunología de sistemas