Los estudios biomédicos se realizan frecuentemente con observaciones in vivo (del latín “dentro de lo vivo”), es decir, con la recolección de datos basada en el estudio directo de organismos vivos. Cuando el uso de organismos vivos no es posible o no está disponible, una buena alternativa es la estrategia in vitro, realizada dentro de confinamientos artificiales, como tubos de ensayo, placas de cultivo o incubadoras. En este último caso, las muestras a estudiar derivan de muestras vivas (es decir, células cultivadas, tejidos u órganos sintéticos, sistemas heterólogos, etc.). Ambas estrategias son costosas, requieren mucho tiempo y grandes espacios y equipos de alta tecnología. Además, en ocasiones, cuestiones éticas dificultan o imposibilitan aún más la realización de ciertos estudios.
En la última década, un avance tecnológico extraordinario caracterizó el campo de la investigación biomédica: el nacimiento de la ciencia de los macrodatos (big data science). Esta nueva ciencia respondió a las demandas de varios grupos de investigación de gestionar análisis multifactoriales y al creciente uso de las plataformas –ómicas / omics (que incluyen genómica, transcriptómica, metabolómica y proteómica) para la generación de datos biológicos. El volumen de datos generados en -ómica incluye, entre otros, información sobre expresión y regulación génica, recambio de proteínas y conexiones de vías biológicas. Todos esos datos requieren una organización, limpieza, almacenamiento e integración minuciosas para ser interpretados de manera eficiente. El gran valor de estos estudios reside en que pueden compartirse fácilmente entre grupos de investigación e integrarse; de esta manera, la colección de datos evoluciona y potencialmente puede responder a diferentes preguntas científicas, solo cambiando algunas de las variables o la forma de analizarlas. El campo de la ciencia de datos ha evolucionado rápidamente desde entonces y, aún hoy, se encuentra en constante aceleración, en paralelo con la introducción de nuevos lenguajes informáticos, como Python y R. El avance de nuevas herramientas informáticas permite mejorar la organización del enorme volumen de datos generados, la organización en estructuras y niveles, hasta la progresión hacia modelos y predicciones. El conjunto de la ciencia de big data es la base para la introducción y evolución de la ciencia in silico.
El término “in silico” deriva de “dentro del silicio” y se refiere a los chips de computadora que se fabrican sobre este material. En un análisis in silico típico, la máquina crea un entorno virtual donde es posible organizar, gestionar, visualizar, reconfigurar e interpretar las diferentes variables, así como derivar predicciones. El gran valor de la aplicación in silico en el campo médico reside en permitir un análisis multifactorial, involucrando simultáneamente procesos fisiológicos, moleculares, celulares, ambientales, sociales y físicos, y proporcionando predicciones específicas para cada sujeto que serían sustancialmente difíciles o imposibles de medir in vivo. La aplicación del enfoque in silico a los estudios de medicina también se conoce como “medicina computacional”. La medicina computacional permite estrategias para el diagnóstico, pronóstico, manejo, prevención y tratamiento de enfermedades. Cabe destacar que los análisis computacionales pueden eludir los permisos éticos en muchas ocasiones, ya que los datos pueden ser anónimos o incluso simulaciones (es decir, no recopilados en pacientes humanos reales). Además, el intercambio de datos entre investigadores de laboratorio y la carga en bases de datos internacionales es frecuente y beneficioso. Todas las predicciones y modelizaciones obtenidas mediante un estudio in silico pueden escalarse a poblaciones, reciclarse e interrogarse desde diferentes puntos de vista y escenarios, permitiendo una adaptación dinámica de modelos y simulaciones en un tiempo relativamente corto.
Flujo de trabajo esquemático de la medicina in silico en nefrología. En las etapas iniciales, la información de los registros médicos electrónicos (EMR) y otras fuentes de datos públicos de atención médica, puede proporcionar mucha información clínica relacionada con un problema o enfermedad médica específica; en este caso particular, información relacionada con la enfermedad renal crónica (CKD) o factores de riesgo relacionados con la función renal. Además, los datos de la plataforma ómica, una vez validados, sirven para evaluar a los pacientes en riesgo. Luego, el flujo de trabajo de medicina in silico y el aprendizaje automático profundo recopila todos los datos clínicos y analíticos para integrar las variables y crear el análisis más precisos de una enfermedad renal específica. El resultado final es combinar la ciencia de datos matemática y computacional para proporcionar una visualización clara del problema médico. Este resultado se puede analizar más a fondo de forma dinámica, combinando siempre análisis descriptivos, predictivos y prescriptivos.
AKI, enfermedad renal aguda; CKD, enfermedad renal crónica; EMR, registros médicos electrónicos.
Recientemente, investigadores y estudiantes del proyecto SnowBall de la Universidad CEU Cardenal Herrera, publicaron una extensa revisión en la revista Kidney research and Clinical Practice (https://doi.org/10.23876/j.krcp.23.334) sobre la utilidad de este novedoso enfoque de la medicina In Silico y su potencial uso e investigación en pacientes con enfermedad renal crónica; así, se resalta la combinación del análisis in silico de datos humanos, el uso extensivo de modelos in vitro y la validación in vivo. Aunque se explora la amplia aplicación de la medicina computacional y la aplicación de estrategias -ómicas en la evaluación y el tratamiento de las enfermedades renales, los autores concluyen que, un problema actual y futuro que surge de los modelos in silico es que presentan cierta deficiencia en la traducción de simulaciones moleculares (a nivel orgánulo) a modelos basados en la fisiología (a nivel orgánico). Sigue siendo difícil adaptar teorías matemáticas a la fisiología y la biología a partir de dichos modelos. El desafío es describir el comportamiento dinámico de un modelo de alta dimensión a través de un nivel inferior utilizando un modelo dimensional simplificado, incluso con el uso de la tecnología más avanzada. A futuro, uno de los principales objetivos de los estudios in silico sobre la enfermedad renal crónica será, gestionar la enfermedad mediante la identificación de nuevos factores desencadenantes, que se puedan prevenir y controlar.
