OmniBioTwin: A System-of-Twinned-Systems Framework for Health Digital Twins

Resumen Técnico: OmniBioTwin: Un Marco de Sistema de Sistemas Gemelos para Gemelos Digitales de Salud

Planteamiento del Problema
Los Gemelos Digitales de Salud (HDT, por sus siglas en inglés) ofrecen un paradigma para el modelado específico del paciente y el soporte a la toma de decisiones en la medicina de precisión. Sin embargo, las implementaciones actuales son mayoritariamente monolíticas, diseñadas en torno a órganos específicos, mecanismos biológicos particulares o desenlaces clínicos aislados. Si bien son efectivas para tareas estrechas, estos marcos tienen dificultades para capturar la complejidad de enfermedades sistémicas como la enfermedad de Alzheimer (AD), que involucran la comunicación entre órganos, dependencias de escala cruzada (desde lo molecular hasta lo organismal) y procesos biológicos heterogéneos que evolucionan en escalas temporales dispares. Los enfoques de ingeniería existentes, como los gemelos digitales de Sistema de Sistemas (SoS), no se han adaptado adecuadamente al modelado biomédico, el cual requiere gestionar la heterogeneidad de escala biológica, observaciones asíncronas dispersas y la necesidad de interpretabilidad mecanística.

Metodología: El Marco OmniBioTwin
Los autores proponen OmniBioTwin, un marco de Sistema de Sistemas Gemelos (SoTS) que reimagina los HDT como entidades computacionales modulares acopladas mediante operadores de interacción explícitos dentro de una arquitectura de red multicapa.

1. Abstracción Arquitectónica (SoTS):

   • En lugar de un único modelo de extremo a extremo, el sistema trata cada gemelo digital como un subsistema autónomo que representa un componente biológico específico (por ejemplo, un órgano, un tipo celular) o un proceso.
   • El marco utiliza una abstracción de red multicapa donde los nodos representan entidades/procesos y las aristas representan interacciones.
   • Las aristas intra-capa capturan interacciones en escalas similares, mientras que las aristas inter-capa codifican el acoplamiento de escala vertical.
   • Se introducen hipernodos para modelar comportamientos colectivos que involucran interacciones de muchos a muchos (por ejemplo, la señalización inflamatoria que involucra múltiples tipos de células), agrupando múltiples gemelos en unidades de interacción compuestas.

2. Arquitectura de Siete Capas:
   El marco se organiza en siete capas coordinadas para integrar datos heterogéneos, modelos de múltiples paradigmas y procesos de decisión:

   • Capa de Datos: Agrega mediciones heterogéneas (ómicas, imágenes, EHR/historiales clínicos electrónicos, dispositivos vestibles) preservando la escala, la estructura temporal y la procedencia. Genera paquetes de entrada específicos para cada gemelo que contienen observaciones procesadas, metadatos temporales, incertidumbre y registros de intervención.
   • Capa de Gemelos (Twin Layer): Contiene las unidades computacionales centrales. Cada gemelo ($T_i$) es una unidad autónoma con su propio estado ($S_i$), función de transición ($f_i$) y representación de incertidumbre ($U_i$). Los gemelos pueden utilizar diferentes paradigmas de modelado (mecanicistas, estocásticos, basados en ML) apropiados para su subsistema.
   • Capa de Acoplamiento: Formaliza cómo los gemelos se influyen entre sí. Aplica operadores de acoplamiento ($C_{j \to i}$) para transformar los estados del gemelo de origen en representaciones admisibles para el gemelo de destino. Estos operadores gestionan la traducción de escala cruzada, la alineación semántica, la conversión de unidades y la propagación de la incertidumbre, generando mensajes de acoplamiento agregados ($\Gamma_i$).
   • Capa de Sincronización: Proporciona la orquestación temporal para datos biomédicos dispersos y asíncronos. Determina la programación de las actualizaciones ($\delta_i$) basándose en señales de dependencia y metadatos temporales, coordinando procesos que evolucionan en escalas de tiempo desiguales.
   • Capa de Decisión: Actúa como el motor de inferencia del sistema. Transforma los estados globales sincronizados y sus incertidumbres en resultados accionables, incluyendo estimaciones de riesgo, evaluaciones de respuesta al tratamiento y candidatas a intervenciones.
   • Capa de Interacción: Sirve como la interfaz humano-en-el-bucle para renderizar el comportamiento del modelo de forma interpretable para clínicos e investigadores. Permite a los usuarios especificar restricciones, revisar acciones candidatas y aprobar intervenciones.
   • Capa de Auditoría: Garantiza la trazabilidad y la gobernanza mediante la agregación de registros de procedencia, trayectorias de estado, trazas de acoplamiento y registros de decisión en informes de auditoría estructurados para validación y evaluación regulatoria.

Estudio de Caso: Vías del GLP-1 en la Enfermedad de Alzheimer
Para demostrar el marco, los autores instanciaron un gemelo multiescala para las vías de señalización del péptido similar al glucagón tipo 1 (GLP-1) en la AD. Este estudio de caso conecta cuatro gemelos distintos:

• Gemelo Periférico: Construido a partir de registros de tratamiento y biomarcadores periféricos (glucosa, insulina, HbA1c, IMC) para caracterizar la exposición sistémica al fármaco y la respuesta metabólica.
• Gemelo Molecular: Integra impulsos de señalización dirigidos al cerebro con observaciones moleculares (biomarcadores en LCR/plasma, imágenes PET) para reconstruir la patología molecular latente (carga de Aβ, fosforilación de tau, neuroinflamación, resistencia a la insulina cerebral).
• Gemelo Celular: Modela los cambios de estado y las interacciones de las poblaciones de células cerebrales (neuronas, astrocitos, microglía) basados en presiones moleculares, emitiendo integridad funcional y vulnerabilidad celular.
• Gemelo de Órgano: Combina resúmenes a nivel celular con datos de neuroimagen y pruebas cognitivas para modelar la progresión de la enfermedad a nivel macroscópico, incluyendo la disfunción de la red y las trayectorias de declive cognitivo.

Estos gemelos están acoplados para simular cómo los agonistas del receptor de GLP-1 (GLP-1 RAs) se propagan desde el metabolismo sistémico hacia los efectos a nivel molecular, celular y de órgano, cerrando el ciclo con el soporte de decisión clínica.

Contribuciones Clave

• Cambio Conceptual: Propone el paradigma SoTS para los HDT biomédicos, alejándose de los modelos monolíticos hacia sistemas modulares y acoplados.
• Marco Estructural: Introduce una arquitectura de siete capas que separa explícitamente la integración de datos, el modelado autónomo, el acoplamiento de escala cruzada, la sincronización temporal y el soporte de decisión humano-en-el-bucle.
• Mecanismo de Integración: Define operadores de acoplamiento e hipernodos para gestionar la traducción de escala cruzada y las interacciones biológicas colectivas, preservando la autonomía e interpretabilidad de los componentes individuales.
• Prueba de Concepto: Demuestra la instanciación de un gemelo de AD multiescala, ilustrando cómo fuentes de datos heterogéneas (ómicas, imágenes, EHR) y estrategias de modelado pueden unificarse dentro de un solo sistema.

Resultados y Reivindicaciones
El artículo no presenta resultados empíricos comparando OmniBioTwin contra modelos monolíticos en un ensayo clínico o estudio retrospectivo. En su lugar, los "resultados" son la instanciación exitosa del marco en el contexto de AD/GLP-1. Los autores afirman que esta arquitectura:

• Soporta la modularidad, permitiendo la incorporación de nuevos gemelos sin rediseñar todo el sistema.
• Mejora la interpretabilidad al mantener estrategias de modelado distintas para diferentes subsistemas y mecanismos de acoplamiento explícitos.
• Proporciona una base escalable para integrar datos heterogéneos y modelos de múltiples paradigmas.
• Permite una gestión clínica de bucle cerrado donde las intervenciones son propuestas, aprobadas, aplicadas y reevaluadas basadas en observaciones actualizadas.

Significancia
El artículo argumenta que OmniBioTwin aborda la brecha crítica entre los modelos de órganos aislados y la compleja realidad multiescala de las enfermedades sistémicas como la AD. Al adaptar el paradigma SoS al modelado biomédico, el marco ofrece un camino hacia representaciones de sistemas generalizables y específicas del paciente que pueden manejar la heterogeneidad de las escalas biológicas y los tipos de datos. Los autores posicionan este trabajo como un paso necesario hacia futuros HDT que puedan apoyar la medicina de precisión mediante representaciones computacionales fieles de los procesos de enfermedades humanas distribuidas, manteniendo la rigurosidad requerida para la validación biomédica y la evaluación regulatoria.