Cómo las proteínas en sangre pueden predecir enfermedades Infobae
Un equipo de investigadores logró anticipar con mayor precisión la aparición de enfermedades comunes antes de que los síntomas sean evidentes, a partir de mediciones avanzadas de proteínas y metabolitos en la sangre, según informó el portal de divulgación científica ScienceX.
Esta aproximación multi-ómica —basada en la recolección simultánea de datos moleculares diversos mediante tecnologías biológicas de última generación— abre la puerta a estrategias de prevención y diagnóstico temprano más eficaces que las basadas únicamente en factores clínicos tradicionales.
El estudio analizó 159 metabolitos y 2.923 proteínas en muestras de plasma de casi 24.000 voluntarios del UK Biobank y evaluó su valor predictivo para 17 enfermedades distintas. Los modelos que incorporan variables moleculares superaron en precisión a los basados únicamente en datos convencionales, como la edad, el sexo o los antecedentes médicos, según los resultados publicados en Nature Communications.
El equipo señaló que los modelos fundados exclusivamente en proteómica (el estudio de las proteínas en sangre) superaron a los de metabolómica (el estudio de los metabolitos o pequeñas moléculas producto del metabolismo) en 16 de las 17 enfermedades estudiadas. La integración de ambas capas aportó mejoras adicionales limitadas frente a los modelos basados solo en proteínas.
Esta tendencia indica que la cuantificación específica de proteínas sanguíneas representa un avance notable en la capacidad de prever quién desarrollará dolencias como cánceres, trastornos cardíacos, diabetes, patologías cerebrales y enfermedades pulmonares, por encima de otros biomarcadores o parámetros habituales.
El poder predictivo de las proteínas
Con herramientas como el paquete informático mixOmics, especializado en análisis estadístico multi-ómico, el equipo procesó grandes volúmenes de datos moleculares y probó distintas metodologías para estimar probabilidades de enfermedad a lo largo del tiempo: regresión de Cox, Elastic Net (técnica de regularización estadística) y Random Survival Forest (bosque aleatorio de supervivencia).
La opción mixOmics resultó la más equilibrada por su precisión y agilidad. Otros métodos como Random Survival Forest presentaron lentitud, y la regresión de Cox mostró tendencia al sobreajuste —cuando un modelo se adapta en exceso a los datos de entrenamiento y pierde capacidad de generalizar—.
El estudio cruzó perfiles proteómicos y metabolómicos con datos clínicos, demográficos y socioeconómicos para construir modelos predictivos de riesgo individual en 17 enfermedades. Al comparar estos modelos, los investigadores identificaron que los marcadores proteicos —como el antígeno prostático específico (PSA, por sus siglas en inglés Prostate-Specific Antigen) en cáncer de próstata y el PRG3 en cáncer de piel— resaltaron por su poder predictivo.
También se hallaron asociaciones relevantes entre ciertos medicamentos y el riesgo de desarrollar alguna patología, como la ya establecida relación entre el Bisoprolol y las enfermedades cardíacas.
En el trabajo, cada parámetro molecular fue cotejado con datos de uso de medicamentos y variables sociales, lo que precisó el impacto relativo de factores como la medicación o el estatus socioeconómico en el pronóstico individual. El análisis molecular no solo elevó la eficacia de los modelos de predicción, sino que aportó información sobre las vías biológicas y factores colaterales que influyen en la aparición de estas dolencias.
Limitaciones del estudio y próximos pasos
Los autores reconocieron varias limitaciones en su trabajo. En primer lugar, el uso de registros hospitalarios puede dejar fuera casos leves atendidos en atención primaria. Además, el análisis se limitó a muestras de plasma recogidas en un único momento basal, lo que impide capturar eventos moleculares específicos en órganos internos y evaluar la progresión de la enfermedad con el tiempo.
Por otra parte, la investigación se restringió a dos capas de ómicas —proteómica y metabolómica— y el empleo de métodos de imputación de datos —el relleno estadístico de valores faltantes en la muestra— puede haber introducido sesgos inadvertidos.
El equipo destacó que la validación cruzada en múltiples poblaciones es un paso clave para reforzar la solidez y equidad de estos modelos predictivos a gran escala. La combinación futura de datos moleculares longitudinales y nuevas capas como genómica y epigenómica promete aumentar la capacidad para anticipar, monitorizar y tratar enfermedades antes de que se manifiesten.
La investigación marca una transición de la evaluación clásica del riesgo de enfermedad hacia estrategias integradoras apoyadas en el análisis profundo de la huella molecular que cada persona porta en su sangre.
