Amparo Tolosa, Genotipia
Investigadores de Stanford han desarrollado Mal-ID, un modelo basado en IA capaz de analizar la variación genética en los linfocitos B y T para identificar enfermedades autoinmunes e infecciosas. En un estudio con casi 600 personas, la herramienta ha logrado una precisión del 93 % en la detección de lupus.
El sistema inmunitario de una persona mantiene un registro de las exposiciones y amenazas a las que se ha enfrentado a lo largo de la vida. Este «archivo biológico» está registrado de forma fragmentada en múltiples células de dos tipos celulares: los linfocitos B y los linfocitos T. Ambas células se caracterizan por tener una batería de genes muy variables entre células del mismo tipo, que contribuyen a la capacidad del sistema inmunitario a reconocer múltiples agentes extraños. Sin embargo, la gran diversidad y complejidad de estos genes han dificultado su uso en el diagnóstico clínico.
Ahora, investigadores de Stanford han desarrollado un modelo de inteligencia artificial que utiliza la información genética de los linfocitos B y T para clasificar enfermedades. En un estudio con 593 participantes, el modelo permitió identificar con precisión infecciones virales, respuesta a vacunas y enfermedades autoinmunes como el lupus y la diabetes tipo 1. Los resultados se han publicado en la revista Science.

La diversidad del sistema inmunitario y su papel en el diagnóstico
El reconocimiento de amenazas por parte del sistema inmunitario es posible gracias a la enorme diversidad de ciertos receptores de los linfocitos o células B y T. Esta diversidad se genera mediante un proceso de recombinación genética en el que segmentos de ADN se reordenan de manera aleatoria en cada una de estas células, permitiendo en conjunto la producción de millones de receptores únicos. Cuando uno de estos receptores reconoce una amenaza (el receptor se une a una estructura tridimensional del agente infeccioso o externo) el organismo favorece la amplificación de las células que lo contienen, para activar la respuesta inmunitaria eficiente. De esta forma, el evento queda, en cierto modo, registrado.
La diversidad de receptores permite que el organismo detecte casi cualquier patógeno, pero también representa un desafío para la interpretación de los datos inmunológicos. Hasta ahora, los métodos tradicionales no han logrado establecer patrones claros en los receptores de células inmunitarias que permitan asociar la variación genética de los receptores con enfermedades autoinmunes concretas. Como resultado el diagnóstico de las enfermedades autoinmunes requiere múltiples estrategias, lo que alarga el diagnóstico y debido a síntomas solapantes con otras enfermedades pueden derivar en diagnósticos erróneos. Por esta razón, los investigadores han recurrido a herramientas de inteligencia artificial que permiten detectar patrones en datos complejos.
El modelo Mal-ID y sus resultados en el diagnóstico de enfermedades
Para desarrollar Mal-ID, los investigadores analizaron más de 16 millones de secuencias de receptores de células B y más de 25 millones de secuencias de receptores de células T de un grupo de 593 personas. El grupo incluía tanto personas sanas, como personas con infecciones como COVID-19 o VIH, recientemente vacunadas contra la gripe y pacientes con enfermedades autoinmunes como lupus y diabetes tipo 1.
Mediante técnicas de aprendizaje automático similares a las utilizadas en modelos de lenguaje los investigadores desarrollaron y entrenaron un modelo con millones de secuencias codificantes de receptores, para encontrar similitudes en la respuesta inmune de personas con una misma enfermedad. “Comparamos las frecuencias de uso de los segmentos, las secuencias de aminoácidos de las proteínas resultantes y la forma en que el modelo representaba el `lenguaje’ de los receptores, entre otras características”, han indicado los investigadores.
El modelo logró una precisión del 93 % en la detección del lupus y una especificidad del 90%, superando el rendimiento de algunas pruebas diagnósticas actuales. Además, combinando datos de células B y T, Mal-ID permitió clasificar con mayor precisión los distintos estados inmunológicos de los participantes, independientemente de su edad, sexo o etnia.
Otro resultado destacado por los investigadores fue que los receptores de linfocitos T fueron los más útiles para detectar enfermedades autoinmunes, mientras que los de linfocitos B resultaron más informativos para identificar infecciones virales o respuestas a vacunas. Esta información podría ayudar a mejorar la comprensión de la respuesta inmunitaria en diferentes enfermedades y contribuir al desarrollo de nuevos enfoques diagnósticos.
Perspectivas y limitaciones del método basado en IA y genética para diagnosticar enfermedades autoinmunes
La aproximación que combina IA con el análisis genético de receptores inmunitarios ofrece resultados prometedores para su utilización futura en el ámbito diagnóstico. Mal-ID no solo podría acortar el tiempo de diagnóstico de enfermedades como el lupus, sino también ayudar a clasificar subtipos de enfermedades que actualmente se agrupan bajo términos generales.
“Los pacientes pueden luchar durante años antes de obtener un diagnóstico, e incluso entonces, los nombres que damos a estas enfermedades son como términos paraguas que pasan por alto la diversidad biológica que hay detrás de las enfermedades complejas”, ha destacado Maxim Zaslavsky, investigador postdoctoral en la Universidad de Stanford y uno de los autores del trabajo. “Si podemos utilizar Mal-ID para desentrañar la heterogeneidad que hay detrás del lupus, o de la artritis reumatoide, eso tendría un gran impacto clínico”.
Mientras tanto, el modelo aún presenta algunas limitaciones. Hasta ahora, Mal-ID ha sido entrenado en un conjunto limitado de enfermedades, por lo que su aplicabilidad a otros trastornos inmunológicos necesita ser validada en estudios más amplios. Otra cuestión es que aunque el modelo ha demostrado ser eficaz en la clasificación de enfermedades, queda pendiente la interpretación biológica de las predicciones.
En el futuro, los investigadores planean ampliar el uso de Mal-ID a otros trastornos autoinmunes. Otra posibilidad será evaluar su utilidad para predecir respuestas a tratamientos inmunológicos lo que podría contribuir al desarrollo de terapias más precisas. “Lo bueno de este planteamiento es que funciona aunque al principio no sepamos qué moléculas o estructuras son el objetivo del sistema inmunitario»”, ha indicado Scott Boyd, profesor de patología y uno de los directores del estudio. «Podemos obtener la información simplemente observando patrones similares en la forma de responder de las personas. Y, al profundizar en estas respuestas, podemos descubrir nuevas direcciones para la investigación y las terapias.»
Artículo científico:
Zaslavsky ME, et al. Disease diagnostics using machine learning of B cell and T cell receptor sequences. Science. 2025 Feb 21;387(6736):eadp2407. doi: 10.1126/science.adp2407.
Fuente:
Immune ‘fingerprints’ aid diagnosis of complex diseases in Stanford Medicine study. https://med.stanford.edu/news/all-news/2025/02/immune-cell-receptors-complex-disease.html
