CardioKG integra imágenes cardiacas y diferentes datos biológicos para identificar genes y fármacos con potencial para tratar enfermedades del corazón. El modelo ha permitido encontrar oportunidades de reposicionamiento de fármacos, como el metotrexato.
Las enfermedades cardiovasculares continúan siendo una de las principales causas de mortalidad en todo el mundo. Gracias a los avances de los últimos años, existe un volumen creciente de datos relevantes relacionados con estas enfermedades: información genética y molecular, imágenes médicas de alta resolución, registros clínicos, datos de estilo de vida y exposiciones ambientales…Todas estas capas permiten obtener una imagen más completa de las enfermedades cardiovasculares y cómo se presentan en los diferentes pacientes. Son por lo tanto una oportunidad para entender mejor su biología e identificar nuevas dianas terapéuticas.
El problema es integrar los diferentes datos y obtener información útil que pueda ser utilizada en la práctica clínica. En este terreno las herramientas de inteligencia artificial se han afianzado como estrategia para analizar conjuntos de datos complejos y detectar relaciones que no son evidentes mediante aproximaciones tradicionales.
Con esta perspectiva, investigadores del MRC Laboratory of Medical Sciences y del Imperial College London han desarrollado CardioKG, una aproximación que combina datos de imagen cardiaca con información de múltiples bases de datos biológicas. Esta integración permite identificar genes asociados a patologías cardiacas y predecir fármacos existentes con potencial utilidad terapéutica. Los resultados, publicados en Nature Cardiovascular Research, abren nuevas vías para la investigación cardiovascular y el reposicionamiento de medicamentos.
“Lo emocionante es que hay otros estudios recientes en este campo que respaldan nuestros hallazgos preliminares”, ha destacado Declan O’Regan, director del grupo de investigación del MRC Laboratory of Medical Sciences que lidera el estudio. “Lo que pone de relieve el enorme potencial de los grafos de conocimiento para descubrir fármacos existentes que podrían reutilizarse como nuevos tratamientos”.
Conocimiento estructurado y conectado para conocer mejor las enfermedades cardiovasculares
Los grafos de conocimiento son redes estructuradas que conectan entidades (como en este caso genes, enfermedades, vías moleculares o fármacos) a partir de relaciones previamente descritas. Esta aproximación ya se utilizaba para explorar asociaciones biológicas en enfermedades cardiológicas. Sin embargo, hasta el momento no se habían incorporado de forma sistemática datos de imagen a nivel individual. Esta novedad, introducida por el equipo de investigadores liderado por Khaled Rjoob y Declan O’Regan ha supuesto un importante avance.
Para construir CardioKG, los investigadores han utilizado datos de resonancia magnética cardiaca procedentes del Biobanco de Reino Unido correspondientes a 4.280 personas con fibrilación auricular, insuficiencia cardiaca o infarto de miocardio y 5.304 personas sin enfermedad cardiovascular. A partir de estas imágenes se extrajeron más de 200.000 rasgos cuantitativos que describen la anatomía y la función del corazón, incluyendo parámetros ventriculares, auriculares y aórticos.
Los datos de imagen se integraron con información procedente de 18 bases de datos biomédicas que recogen asociaciones gen-enfermedad, interacciones fármaco-diana, vías moleculares y ontologías clínicas. Mediante técnicas de aprendizaje automático aplicadas a grafos, el modelo generó representaciones matemáticas de cada entidad y sus relaciones, que posteriormente se utilizaron para predecir nuevas asociaciones entre genes y enfermedades cardiovasculares, así como posibles oportunidades de reposicionamiento farmacológico.
“Una de las ventajas de los grafos de conocimiento es que integran información sobre genes, fármacos y enfermedades, lo que significa que se dispone de más capacidad para realizar descubrimientos sobre nuevas terapias”, ha señalado O’Regan, “Descubrimos que incluir imágenes cardíacas en el grafo transformó la capacidad de identificar nuevos genes y fármacos”.
Identificación de genes prioritarios asociados a enfermedades cardiovasculares
Mediante la integración de datos genéticos, moleculares y de imagen cardiaca, CardioKG permitió identificar y priorizar genes asociados a distintas enfermedades cardiovasculares. Esta aproximación amplió el número de vías biológicas implicadas en comparación con modelos que no incorporan información de imagen.
En insuficiencia cardiaca, el modelo destacó genes como GATA2, AGR1 y EP300, asociados a procesos de angiogénesis, señalización MAPK, inflamación y envejecimiento celular, todos ellos relevantes en el remodelado cardiaco. En fibrilación auricular, se priorizaron genes como SRC, GATA1 y HSPA8, vinculados a la conducción eléctrica cardiaca, la respuesta a la hipoxia y la regulación del sistema inmunitario. Por su parte, en el infarto de miocardio se identificaron genes como PCNA, HTT y SNCA, relacionados con la apoptosis y la respuesta al estrés celular tras el daño isquémico.
Los resultados muestran que la incorporación de fenotipos derivados de imagen mejora la identificación de genes y permite una caracterización más completa de las rutas moleculares implicadas en las principales enfermedades del corazón.
CardioKG identifica fármacos que podrían utilizarse en enfermedades cardiovasculares
Los investigadores también utilizaron CardioKG para explorar de forma sistemática oportunidades de reposicionamiento de fármacos ya existentes hacia el tratamiento de enfermedades cardiovasculares. Para ello, el modelo integró datos de imagen cardiaca con información sobre interacciones fármaco-diana y asociaciones enfermedad-medicamento procedentes de bases de datos biomédicas.
En el caso de la insuficiencia cardiaca, el modelo identificó varios fármacos no indicados habitualmente en esta enfermedad, entre ellos el metotrexato, el topiramato y la ranolazina.
El metotrexato se utiliza a dosis bajas en artritis reumatoide y a dosis más altas en oncología y hasta el momento no forma parte de las estrategias farmacológicas habituales en cardiología.Para explorar la relevancia clínica de esta predicción, los autores analizaron datos de supervivencia en participantes de UK Biobank con insuficiencia cardiaca y artritis reumatoide tratados con distintos fármacos modificadores de la enfermedad. Los pacientes que recibían metotrexato mostraron una mayor probabilidad de supervivencia en comparación con aquellos tratados con sulfasalazina o hidroxicloroquina. Estos hallazgos se reprodujeron en una cohorte independiente. No obstante, serán necesarios ensayos clínicos específicos para confirmar la eficacia y seguridad del metotrexato en este contexto.
Para la fibrilación auricular, CardioKG priorizó, entre otros, inhibidores de la dipeptidil peptidasa 4, conocidos como gliptinas, utilizados en el tratamiento de la diabetes tipo 2. Estas predicciones se apoyaron en la conexión de sus dianas en rutas relacionadas con la conducción eléctrica cardiaca, la inflamación y la respuesta al estrés celular, procesos estrechamente vinculados al desarrollo de arritmias. Además, estos resultados son coherentes con observaciones previas que apuntan a un posible efecto antiarrítmico de estos fármacos en determinados pacientes.
En el caso del infarto de miocardio, el modelo identificó candidatos asociados a la regulación de la apoptosis y el estrés celular, como el vorinostat, utilizado en oncología. Aunque no se realizaron análisis clínicos directos para esta patología, los fármacos priorizados mostraron una elevada similitud biológica con tratamientos ya aprobados.
Una estrategia con algunas limitaciones
Como cualquier estudio basado en grandes bases de datos poblacionales, el trabajo presenta limitaciones que deben considerarse al interpretar los resultados. La cohorte de UK Biobank está compuesta mayoritariamente por individuos de ascendencia europea, lo que restringe la generalización de las conclusiones a otras poblaciones. Además, la participación voluntaria puede introducir un sesgo hacia individuos relativamente más sanos.
Por otra parte, gran parte de la información procedente de estudios en modelos animales carece de una representación equilibrada por sexo, con una infrarrepresentación de hembras. Esto dificulta la extrapolación de algunos resultados a mujeres y refuerza la necesidad de validar las predicciones en estudios clínicos diseñados específicamente para abordar estas diferencias.
Finalmente, desde el punto de vista metodológico, la calidad de las predicciones depende de la exhaustividad y fiabilidad de las bases de datos integradas. Aunque el modelo mostró un rendimiento superior cuando incorporó datos de imagen, la disponibilidad de este tipo de información no es homogénea para todos los sistemas sanitarios.
CardioKG abre nuevas vías de investigación clínica de tratamientos
Los resultados del estudio son relevantes tanto a nivel de conocimiento como de aplicación clínica. En términos de conocimiento, la investigación demuestra que los fenotipos de imagen, estrechamente ligados a la fisiopatología, aportan un valor añadido a los modelos computacionales que integran datos genéticos y moleculares.
En cuanto a las aplicaciones en salud, CardioKG ofrece un marco para priorizar genes y fármacos con mayor probabilidad de impacto clínico, lo que podría ayudar a orientar la investigación preclínica y reducir tiempos y costes en el desarrollo de tratamientos.
Además, los autores plantean la posibilidad de extender esta aproximación a otros órganos donde exista imagen médica sistemática, como el cerebro o el tejido adiposo, con el objetivo de explorar nuevas dianas terapéuticas en enfermedades neurológicas o metabólicas. “Las oportunidades futuras pueden residir en la personalización de las estrategias de diagnóstico mediante el aprovechamiento de conjuntos de datos de población más amplios y diversos”, concluyen los investigadores.
Artículo científico: Rjoob, K., McGurk, K.A., Zheng, S.L. et al. A multimodal vision knowledge graph of cardiovascular disease. Nat Cardiovasc Res. 2025. DOI: https://doi.org/10.1038/s44161-025-00757-4
Otras fuentes:
Hall, J.L. Connecting to improve drug discovery. Nat Cardiovasc Res. 2026. DOI: https://doi.org/10.1038/s44161-025-00760-9
New AI-driven tool could help find heart disease drugs faster. https://lms.mrc.ac.uk/new-ai-driven-tool-could-help-find-heart-disease-drugs-faster/
