Making Accelerating Medicines Partnership Data Findable and Interoperable through a Common Data Model: Extending OMOP for Multi-Source Multimodal Data

La medicina moderna está cada vez más impulsada por la capacidad de leer las instrucciones moleculares dentro de nuestras células. Los científicos pueden ahora medir miles de estas instrucciones a la vez, creando vastas bibliotecas de datos que describen cómo se comportan los genes en personas sanas y cómo cambian en aquellas con enfermedades como el Alzheimer o la diabetes. Estas mediciones, a menudo llamadas datos "ómicos", ofrecen una poderosa ventana a los mecanismos internos del cuerpo. Sin embargo, ha surgido un problema significativo: aunque los datos existen, están dispersos. Diferentes proyectos de investigación almacenan sus hallazgos en diferentes formatos digitales, utilizando sus propios sistemas de etiquetado y archivo únicos. Es como si cada biblioteca de una ciudad utilizara un idioma diferente para catalogar sus libros, lo que hace casi imposible que un investigador entre y haga una pregunta que requiera leer de varios estantes a la vez. Esta fragmentación impide que los científicos vean el panorama general, como si un patrón biológico encontrado en una enfermedad también aparece en otra.

Para resolver esto, un equipo de investigadores de la Asociación para la Aceleración de Medicamentos (Accelerating Medicines Partnership), una colaboración entre agencias gubernamentales y empresas privadas, se propuso construir un sistema de archivo universal para este complejo conjunto de datos biológicos. No inventaron un nuevo lenguaje desde cero, lo que habría sido lento y difícil de adoptar para la comunidad científica. En su lugar, tomaron un sistema ya existente y ampliamente utilizado para organizar registros de salud clínica y lo extendieron cuidadosamente para manejar las necesidades únicas de los datos moleculares. Este nuevo marco, llamado el Modelo de Datos Comunes SysBio (SysBio Common Data Model), actúa como un traductor que permite que los datos de diferentes fuentes se comparen lado a lado sin obligar a los propietarios originales de los datos a cambiar la forma en que almacenan sus archivos. El equipo demostró que este enfoque funciona al mapear con éxito datos de cuatro proyectos de enfermedades diferentes, demostrando que los investigadores ahora pueden realizar consultas amplias a través de diferentes condiciones y tejidos utilizando una única consulta unificada.

El núcleo de este trabajo reside en un compromiso inteligente entre flexibilidad y estructura. Los investigadores partieron del modelo de la Organización para Resultados Médicos Observacionales (Observational Medical Outcomes Partnership), un sistema estándar ya confiado por miles de investigadores en todo el mundo para organizar registros de pacientes como diagnósticos, medicamentos y visitas al hospital. Si bien este sistema era excelente para la historia clínica, carecía de las herramientas específicas necesarias para describir cómo se realizaron los experimentos moleculares o dónde se almacenaban los archivos digitales resultantes. Para solucionar esto sin romper el sistema existente, el equipo añadió solo cuatro tablas nuevas a la estructura de la base de datos. Estas nuevas secciones actúan como carpetas especializadas para registrar detalles sobre las pruebas de laboratorio en sí —como el tipo de máquina utilizada o el protocolo específico seguido— y para señalar hacia los archivos digitales donde residen los datos brutos. Al vincular estas nuevas carpetas con los registros de pacientes existentes mediante conexiones estándar, el modelo preserva la integridad de los datos clínicos originales mientras añade el contexto necesario para el análisis molecular.

Esta elección de diseño fue deliberada y práctica. Los investigadores probaron su nuevo modelo con datos de once conjuntos de datos distintos que abarcan cuatro áreas de enfermedades principales, incluyendo el Alzheimer, el Parkinson y afecciones autoinmunes. Estos conjuntos de datos variaban enormemente en sus orígenes, conteniendo información de tejido cerebral, sangre y orina, recolectada de pacientes tanto antes como después de la muerte. A pesar de estas diferencias, el nuevo modelo logró integrarlos todos en una única estructura compartida. El resultado es un sistema donde un científico puede hacer una pregunta compleja, como "Encuentre todos los archivos de actividad génica de muestras de riñón de pacientes con lupus", y la computadora puede trazar la ruta desde el diagnóstico del paciente hasta la muestra de tejido específica, luego a la prueba de laboratorio y, finalmente, al archivo digital, todo sin necesidad de conocer las peculiaridades únicas del proyecto original que generó los datos.

Una parte crítica para que este sistema funcionara fue asegurar que las palabras utilizadas para describir los datos significaran lo mismo en todas partes. En el pasado, un proyecto podría llamar a una etapa específica de la enfermedad "Etapa 3" mientras que otro la llamaba "Grado C", lo que generaba confusión al intentar combinar sus resultados. Para evitar esto, el equipo creó un registro central que actúa como un diccionario, definiendo exactamente qué significa cada término y cómo debe registrarse. Utilizaron un flujo de trabajo que combina la inteligencia artificial con expertos humanos para mapear los términos desordenados y variados de los proyectos originales hacia estas definiciones limpias y estandarizadas. La IA sugiere las conexiones y los especialistas humanos las revisan para asegurar la precisión, creando un puente confiable entre los datos antiguos y aislados y el nuevo modelo unificado. Este proceso asegura que cuando un investigador observa los datos de dos estudios diferentes, realmente esté comparando manzanas con manzanas.

El éxito de este proyecto sugiere que la colaboración científica a gran escala puede avanzar sin requerir que cada participante abandone sus métodos actuales. El modelo no exige que los anfitriones de los datos muevan sus archivos o reformateen sus bases de datos; en su lugar, proporciona una capa de organización que se asienta sobre los datos existentes, haciéndolos localizables y utilizables por otros. Los investigadores demostraron que este enfoque puede manejar la complejidad de la biología moderna, desde los tipos específicos de tejidos utilizados hasta las diferentes máquinas que generaron los datos. Si bien la versión actual se centra en un conjunto específico de pruebas moleculares, el diseño está construido para crecer. El equipo ha trazado un camino para añadir nuevos tipos de datos, como imágenes espaciales o diferentes mediciones químicas, simplemente añadiendo más detalles específicos al marco existente en lugar de reconstruir todo el sistema.

En última instancia, este trabajo transforma la manera en que los científicos pueden explorar las conexiones entre diferentes enfermedades. Al convertir un difícil proyecto de integración en una simple consulta de búsqueda, el nuevo modelo elimina una barrera importante para el descubrimiento. Permite a los investigadores buscar firmas biológicas compartidas a través de condiciones que anteriormente se estudiaban de forma aislada, revelando potencialmente nuevos objetivos para tratamientos que podrían ayudar a pacientes con múltiples enfermedades distintas. El sistema sigue siendo lo suficientemente flexible como para adaptarse a medida que surgen nuevas tecnologías, asegurando que la vasta y creciente colección de datos biomédicos pueda utilizarse en todo su potencial. Los investigadores han puesto a disposición del público su plano y las herramientas para usarlo, invitando a la comunidad científica en general a construir sobre esta base y continuar la labor de hacer que los complejos datos biológicos sean accesibles para todos.