AI as a Biological Primitive: Individual Biological Simulation Without Population-Scale Reference Cohorts for Personalized Care and Drug Development

En la búsqueda de tratamientos para enfermedades complejas, la medicina ha dependido durante mucho tiempo de una estrategia de promedios. Los médicos e investigadores estudian grandes grupos de personas para encontrar patrones, y luego aplican esas reglas generales a pacientes individuales. Este enfoque funciona bien cuando todos responden de manera similar, pero falla cuando la biología de una persona es única o cuando un tratamiento estándar no funciona. Para cerrar esta brecha, los científicos han comenzado a desarrollar "gemelos digitales": modelos virtuales de una persona específica que pueden ser probados con diferentes tratamientos antes de que se intente algo en el cuerpo real. Tradicionalmente, sin embargo, estos modelos se construyen tomando los datos de una población amplia y ajustándolos para que encajen en una persona. Comienzan con la multitud e intentan reducirse hasta llegar al individuo.

Una nueva línea de investigación desafía esta dirección. En lugar de comenzar con una multitud y reducirla, este enfoque se pregunta si la propia historia detallada de una persona es suficiente para construir un modelo funcional de sí misma. Si un médico tiene registros suficientes de cómo el cuerpo de un paciente reacciona a la comida, la medicina y la vida diaria, ¿pueden esos registros por sí solos crear una simulación confiable? Esta pregunta desplaza el enfoque de encontrar un paciente que encaje en un modelo de población hacia la construcción de un modelo que se ajuste a la propia historia única del paciente. Sugiere que, con suficiente observación, una persona no necesita ser comparada con otros para ser comprendida; sus propias acciones pasadas pueden convertirse en el laboratorio para su cuidado futuro.

Maurice Antony Ewing, un investigador de Conquer Medical Health, probó esta idea utilizando un conjunto de datos de doce personas que viven con diabetes tipo 1. Estos individuos fueron monitoreados de cerca durante ocho semanas, generando casi 200,000 instantáneas de sus niveles de azúcar en sangre, uso de insulina y actividades diarias. El objetivo era ver si la computadora podía aprender un modelo para cada persona utilizando solo sus propios datos, sin apoyarse en las respuestas promedio de las otras once personas o en cualquier grupo más grande. Los investigadores crearon lo que llaman un "primitivo biológico artificial". Piense en esto no como un perfil estático, sino como una versión digital viva y respirable del paciente que ha aprendido sus propias reglas de comportamiento a partir de su propia historia.

El equipo primero probó si este modelo autoconstruido podía identificar caminos viables hacia un estado saludable. Tomaron momentos en los que el azúcar en sangre de un paciente era peligrosamente alto y le preguntaron al modelo: "Si realizaras una acción específica, como una dosis de insulina o un poco de ejercicio, ¿podría esto mover tu azúcar en sangre hacia un objetivo?". El modelo identificó con éxito intervenciones que reducirían la breza entre el estado alto actual y un objetivo saludable en casi un 97% en las pruebas más flexibles. Esto demostró que el modelo podía mapear las relaciones específicas entre acciones y resultados para ese individuo, generando intervenciones candidatas en lugar de afirmar efectos de tratamiento causales.

Sin embargo, la prueba más crítica fue determinar si este modelo individual era verdaderamente diferente de un modelo construido sobre el promedio del grupo. Los investigadores compararon el consejo dado por la propia historia del individuo contra el consejo dado por un modelo entrenado con las doce personas combinadas. Los resultados fueron impactantes: los dos modelos rara vez coincidían. De hecho, sugerían exactamente el mismo plan de tratamiento en solo aproximadamente una cuarta parte de los casos. La forma de la respuesta —la manera en que el cuerpo reaccionaba a un cambio— era tan única para cada persona que el promedio del grupo era una guía deficiente para el individuo. Este hallazgo descarta la idea de que un paciente puede ser representado con precisión simplemente ajustando un modelo de población; la historia del individuo contiene una geometría de respuesta que el grupo simplemente no ve.

Para asegurar que estos modelos digitales no estuvieran simplemente adivinando, los investigadores observaron qué sucedía en el mundo real cuando estas personas realmente tomaban insulina o hacían ejercicio. Midieron cuánto cambiaba la trayectoria del azúcar en sangre de la persona después de una intervención real en comparación con los momentos en que no ocurría nada. Los datos mostraron que los tratamientos reales causaban un cambio significativo y mensurable en la trayectoria del cuerpo, una "deformación" que era casi dos veces más grande que los movimientos naturales vistos durante los períodos estables. Esto confirmó que la historia del cuerpo contiene una señal clara de cómo reacciona al cambio, proporcionando la materia prima necesaria para construir una simulación confiable.

El estudio luego pasó a una aplicación práctica: usar el gemelo digital para probar nuevas ideas antes de intentarlas en la persona. La computadora propuso miles de cambios potenciales al tratamiento, como ajustar las dosis de insulina o el tiempo. El sistema luego verificaba estas propuestas contra la propia historia de la persona. Si la persona nunca había probado un ajuste específico, o si su historia mostraba que un movimiento similar había llevado a resultados malos anteriormente, el sistema lo marcaba como riesgoso o no respaldado. Sorprendentemente, alrededor del 78% de los cambios propuestos tenían un precedente en la propia historia de la persona, y de esos, casi dos tercios habían funcionado bien antes. Esto creó una red de seguridad donde la computadora podía decir: "Hemos probado esto antes, y funcionó", o "Hemos probado esto, y falló", sin necesidad de experimentar con el paciente nuevamente.

Crucialmente, el modelo no era estático. A medida que la condición de la persona cambiaba de una hora a otra, la mejor sugerencia de tratamiento también cambiaba con ella. Cuando los investigadores le pedían consejo al modelo en diferentes momentos o con diferentes objetivos, este daba respuestas distintas en más de dos tercios de los casos. Esto demuestra que el modelo no está simplemente asignando a una persona a una categoría fija, como "diabético Tipo A", sino que actúa como un socio experimental dinámico que evoluciona con el paciente.

Los investigadores también probaron si este método funcionaba más allá de la diabetes. Aplicaron la misma lógica a datos de nivel poblacional sobre políticas gubernamentales durante la pandemia y a datos sobre cómo las células cerebrales individuales responden a estímulos visuales. En ambos casos, el sistema pudo aprender de la historia específica de ese sistema —ya fuera un país o una neurona— y simular cómo respondería a nuevos estímulos. Esto sugiere que el enfoque no se limita a un tipo de biología, sino que es una forma general de utilizar la observación profunda para entender cómo se comporta cualquier sistema.

El estudio concluye que, para la atención personalizada y el desarrollo de fármacos, la herramienta más poderosa puede no ser una base de datos más grande de otras personas, sino un registro más profundo del individuo. Al tratar la propia historia de una persona como la fuente primaria de la verdad, los médicos e investigadores pueden construir un laboratorio virtual que sea específico para esa persona. Esto permite filtrar tratamientos, rechazar aquellos que la historia dice que fallarán y priorizar aquellos que la historia dice que funcionarán, todo antes de que se trague una sola píldora o se administre una sola inyección. El trabajo no pretende haber resuelto el problema de la enfermedad, sino que ofrece una nueva forma de pensar en ella: que la respuesta al problema único de un paciente podría encontrarse enteramente dentro de su propio pasado, esperando ser leída por una máquina que sabe cómo escuchar.