La ingeniería de rasgos multi-ómicos impulsada por modelos biomédicos fundamentales mejora la predicción de la respuesta a fármacos en pacientes con enfermedad inflamatoria intestinal

Por qué esta investigación importa para los pacientes

Las personas con enfermedad inflamatoria intestinal (EII) con frecuencia afrontan un proceso frustrante de prueba y error al comenzar nuevos medicamentos. El mismo fármaco puede calmar una inflamación intestinal grave en una persona y apenas ayudar a otra. Este estudio explora cómo poderosos modelos de inteligencia artificial (IA), creados originalmente para comprender la biología a gran escala, pueden reutilizarse para extraer mucha más información de conjuntos de datos pequeños de pacientes. El objetivo es sencillo pero ambicioso: usar el perfil genético y molecular de cada persona para predecir de antemano qué tan bien responderá a un fármaco común para la EII.

Usar IA a gran escala para ayudar en estudios pequeños

Las herramientas médicas tradicionales basadas en IA tienen dificultades cuando el número de pacientes es pequeño, incluso si cada paciente está profundamente caracterizado. En este trabajo, los investigadores invierten ese problema al aprovechar el conocimiento de un enorme “modelo fundamental” llamado MAMMAL, entrenado originalmente con grandes colecciones de datos de proteínas y fármacos. En lugar de volver a entrenar ese modelo, lo usan como una calculadora inteligente para estimar con qué intensidad un fármaco dado se une a miles de proteínas humanas. Esas puntuaciones de afinidad de unión se convierten luego en nuevas características ricas en información que pueden incorporarse a modelos de aprendizaje automático más modestos adaptados a los 51 pacientes con EII de este estudio.

Mirando dentro del intestino: ADN y ARN

El equipo trabajó con muestras de tejido tomadas de los intestinos inflamados de personas con colitis ulcerosa o enfermedad de Crohn. De cada muestra midieron dos capas biológicas principales: el ADN, centrado en pequeños cambios genéticos llamados SNPs, y el ARN, que refleja cuán activa está cada gene en el tejido. También expusieron el tejido a prednisolona, un corticosteroide de primera línea para la EII, y midieron cuánto disminuyó una señal inflamatoria clave llamada TNFα en respuesta. Este cambio en TNFα sirvió como proxy de cuán bien respondía el tejido de ese paciente al fármaco. El reto fue conectar miles de mediciones genéticas y moleculares con este resultado de respuesta al tratamiento.

Enseñar a los modelos en qué fijarse

El primer paso fue decidir qué proteínas y genes deberían importar más a los modelos. Utilizando el modelo fundamental, los investigadores estimaron con qué afinidad se uniría la prednisolona a más de 11.000 proteínas humanas y luego se concentraron en el 5% superior con la mayor afinidad predicha. De forma alentadora, esta lista corta incluyó los blancos conocidos del fármaco y proteínas implicadas en la detección química y la señalización, lo que sugiere que las clasificaciones de la IA tenían sentido biológico. A continuación combinaron esta lista con los cambios en el ADN de cada paciente, creando secuencias proteicas “mutadas” personalizadas y recalculando cómo cada mutación podría reforzar o debilitar ligeramente la unión de prednisolona. Estos desplazamientos predichos en la afinidad de unión se convirtieron en características compactas y específicas por paciente que capturan cómo las variantes en proteínas clave podrían alterar la acción del fármaco.

Combinar señales genéticas con la actividad génica

Después, el equipo integró la actividad génica a partir de mediciones de ARN, tomadas del mismo tejido intestinal utilizado en las pruebas de fármaco. Para cada proteína priorizada emparejaron su afinidad de unión predicha con la actividad de su gen correspondiente, y también multiplicaron ambos para crear un “estado de interacción” que refleja tanto la fuerza esperada de unión del fármaco como la cantidad del blanco presente. Los modelos de aprendizaje automático entrenados con estas características enriquecidas fueron mejores para distinguir entre muestras que respondieron bien a la prednisolona y las que no, en comparación con modelos que usaban representaciones más básicas de los mismos datos de ADN. Algunas de las características más influyentes apuntaron a familias de receptores relacionados con el olfato y a un receptor implicado en la señal calmante GABA, sugiriendo roles poco apreciados de estas proteínas en la inflamación intestinal y la respuesta a esteroides.

Hacer herramientas complejas utilizables por no expertos

Más allá de la biología, los investigadores también abordaron una barrera práctica: la mayoría de los laboratorios carece de la experiencia informática necesaria para ejecutar grandes modelos fundamentales. Para solucionarlo, encapsularon su flujo de trabajo de afinidad de unión en un servidor abierto con un Model Context Protocol (MCP) que puede ser invocado directamente por asistentes de IA como Claude o ChatGPT. Con esta configuración, un científico puede solicitar, en lenguaje llano, la afinidad predicha entre un fármaco y un conjunto de proteínas, y el sistema gestiona discretamente los pasos técnicos detrás de escena. Esto reduce la barrera para que otros exploren preguntas similares de respuesta personalizada a fármacos usando sus propios datos.

Qué significa esto para las decisiones terapéuticas futuras

En términos cotidianos, este trabajo muestra cómo un único modelo potente entrenado con grandes conjuntos de datos públicos puede ayudar a que estudios pequeños y reales de pacientes rindan por encima de su peso. Al convertir cambios brutos en el ADN y la actividad génica en características más ricas y conscientes de la biología, los autores mejoraron la precisión de los modelos que predicen quién tiene más probabilidad de beneficiarse de la prednisolona. Los resultados aún son preliminares y se basan en un número limitado de pacientes, por lo que los vínculos gen–fármaco específicos que destacan requerirán pruebas adicionales. Pero la estrategia general —usar modelos fundamentales como generadores inteligentes de características y hacerlos accesibles mediante interfaces sencillas— apunta hacia un futuro en el que los médicos podrían usar pruebas moleculares multilayer, interpretadas por IA, para elegir el fármaco y la dosis adecuados para cada persona con EII.

Cita: Gardiner, LJ., Kelly, J., Evans, A. et al. Multi-omics feature engineering driven by biomedical foundation models improves drug response prediction for inflammatory bowel disease patients. Sci Rep 16, 13820 (2026). https://doi.org/10.1038/s41598-026-44366-y

Palabras clave: enfermedad inflamatoria intestinal, predicción de respuesta a fármacos, modelos biomédicos fundamentales, multi-ómics, medicina personalizada