On the emergence of in silico biology for intervention in living systems
Este artículo sostiene que el avance de la biología *in silico* para la intervención en sistemas vivos requiere ir más allá de las limitaciones actuales basadas en datos mediante la adopción de una perspectiva de sistemas que integre representaciones multiescala cohesivas, la inferencia causal y la validación computacional-experimental iterativa para cerrar la brecha entre la correlación y el mecanismo biológico.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
El cuerpo humano es un sistema vasto e interconectado donde las moléculas, las células y los tejidos se comunican constantemente para mantener la salud o impulsar la enfermedad. Durante décadas, los científicos han intentado mapear estas conexiones, recopilando enormes cantidades de datos sobre genes, proteínas y comportamientos celulares. Estos datos son como una biblioteca de instantáneas que muestran lo que está presente en un solo momento en el tiempo. Sin embargo, saber qué existe es diferente de saber cómo funciona. Para comprender verdaderamente la biología, los investigadores necesitan predecir qué sucederá si cambian una parte específica del sistema, como activar o desactivar un gen, o introducir un nuevo fármaco. Esta es la diferencia entre observar el flujo de un río y predecir cómo reaccionará el agua si se construye una presa. El campo de la biología computacional ha crecido rápidamente, utilizando potentes ordenadores para encontrar patrones en estos datos, pero persiste un obstáculo importante: los ordenadores son actualmente muy buenos describiendo lo que ven, pero tienen dificultades para comprender las reglas de causa y efecto que gobiernan la vida.
Una nueva perspectiva de investigadores de la Universidad de Calgary sostiene que el camino a seguir requiere un cambio fundamental en la forma en que construimos estos modelos informáticos. Los autores, James Colter, Nicole Rosin, Jeff Biernaskie y Nils Daniel Forkert, proponen que el enfoque actual es demasiado fragmentado. Sugieren que el simple hecho de introducir más datos en sistemas de inteligencia artificial más grandes y complejos no resolverá el problema si los modelos no reflejan la estructura real de la biología. En su lugar, abogan por una nueva era de "biología in silico", donde los sistemas informáticos estén diseñados para aprender las reglas causales de la vida, no solo los patrones estadísticos. Esto significa construir modelos que puedan distinguir entre una coincidencia y una verdadera causa, y que puedan predecir cómo responderá un sistema vivo a una intervención, incluso en situaciones que el ordenador no ha visto nunca antes.
Los investigadores identifican tres desafíos específicos que deben resolverse para que esta visión sea una realidad. El primero es el problema de la representación. Los datos biológicos suelen ser incompletos y provienen de muchas fuentes diferentes, como secuencias genéticas, imágenes microscópicas y registros de pacientes. Estas piezas de información son como fragmentos de un rompecabezas que no siempre encajan perfectamente. Los métodos actuales a menudo intentan forzar estos fragmentos en una sola imagen asumiendo que están relacionados, pero esto puede ocultar las verdaderas reglas de cómo funcionan las células. Los autores argumentan que necesitamos modelos que puedan comprender el contexto de estas mediciones, reconociendo que un gen puede actuar de una manera en un tejido sano y de una manera completamente diferente en uno enfermo. Sin este contexto, el ordenador no puede distinguir entre una regla que es siempre verdadera y un patrón que solo aparece por azar en una situación específica.
El segundo desafío es el problema de la causalidad. Incluso si un ordenador puede describir un estado biológico con precisión, también debe ser capaz de predecir cómo cambiará ese estado cuando algo se altere. Este es el núcleo de la intervención médica. Si un médico quiere tratar una enfermedad, necesita saber que cambiar un objetivo específico conducirá a una cura, no solo a un cambio temporal en los síntomas. El artículo señala que muchos modelos actuales se entrenan con datos observacionales, que solo muestran lo que ocurre de forma natural. Estos modelos son excelentes adivinando qué sigue en una secuencia familiar, pero a menudo fallan cuando se les pide imaginar un escenario que nunca ha sido observado. Por ejemplo, un modelo puede saber que una cierta proteína es alta en un paciente enfermo, pero no puede predecir de forma fiable qué pasará si se reduce esa proteína, porque no ha aprendido el mecanismo subyacente que vincula la proteína con la enfermedad. Los autores enfatizan que, sin probar estas predicciones frente a cambios en el mundo real, no podemos estar seguros de si el ordenador ha aprendido las reglas de la vida o si simplemente ha memorizado los datos.
El tercer obstáculo es el problema de la intervención, que implica validar lo que el ordenador cree saber. Un modelo solo es útil si sus predicciones pueden probarse y confirmarse en un sistema vivo. Los investigadores señalan que muchos de los estándares de evaluación actuales para probar estos modelos son defectuosos porque no tienen en cuenta la complejidad de la biología real. Muestran que algunos modelos informáticos avanzados funcionan bien en tareas sencillas, como agrupar células similares, pero fallan cuando se les pide predecir el resultado de un tratamiento farmacológico específico o un cambio genético. El artículo destaca que el acuerdo con los datos existentes no es suficiente; el modelo debe ser capaz de explicar por qué ocurre un cambio y predecir cómo compensará el sistema dicho cambio. Por ejemplo, si una célula es impulsada a cambiar, a menudo tiene sistemas de respaldo que intentan mantenerla estable. Un buen modelo debe comprender estas defensas ocultas para predecir el resultado real de una intervención.
Los autores argumentan que la solución no reside en hacer los modelos informáticos más grandes o complejos, sino en diseñarlos para que respeten la arquitectura de la biología. Sugieren que necesitamos combinar diferentes tipos de aprendizaje, utilizando tanto los datos brutos como las reglas biológicas establecidas para guiar al ordenador. Este enfoque permitiría a los modelos llenar los huecos donde faltan datos y comprender cómo interactúan las diferentes partes del cuerpo a través de distintas escalas, desde las moléculas hasta los organismos completos. El artículo sugiere que la próxima frontera no consiste en encontrar un único algoritmo perfecto, sino en crear un sistema cohesivo que pueda moverse sin problemas entre la observación, la predicción y la experimentación. Al iterar entre lo que el ordenador predice y lo que sucede en el laboratorio, los científicos pueden refinar su comprensión de las reglas que gobiernan la vida.
En última instancia, este trabajo sirve como un llamado a la acción para que la comunidad científica replantee cómo aborda el modelado biológico. Los autores creen que la separación entre describir datos, comprender la causa y probar intervenciones ha frenado el campo. Proponen que, al integrar estos tres elementos en un marco único y cohesivo, podemos construir sistemas informáticos que hagan más que analizar datos. Estos sistemas podrían, eventualmente, guiar el diseño de nuevas terapias y ayudarnos a entender cómo dirigir los sistemas vivos hacia la salud. El camino a seguir requiere un equilibrio cuidadoso entre el poder de la inteligencia artificial y el conocimiento contextual profundo de cómo funciona realmente la biología, asegurando que nuestras herramientas digitales estén fundamentadas en la realidad del mundo vivo.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.