Investigadores de Harvard Medical presentan PDGrapher en Nature Biomedical Engineering, predice tratamientos capaces de restaurar la función celular; el sistema fue probado en 19 conjuntos de datos y 11 tipos de cáncer, y mostró hasta 35% mejor ranking de objetivos terapéuticos y hasta 25 veces mayor rapidez que modelos comparables.
Harvard Medical School (HMS) dio a conocer PDGrapher, una herramienta de inteligencia artificial diseñada para identificar los múltiples impulsores de una enfermedad en una célula y proponer —ya sea como blanco único o como combinaciones— las intervenciones farmacológicas más probables para restaurar el comportamiento sano de esa célula.
El trabajo, publicado el 9 de septiembre en Nature Biomedical Engineering, apunta a cambiar el paradigma que busca un único objetivo molecular y abre la puerta a descubrimientos más integrales y personalizados en oncología y otras enfermedades complejas.
“La investigación tradicional en descubrimiento de fármacos se parece a probar cientos de platos preparados para encontrar uno que, por casualidad, tenga el sabor perfecto”, explicó Marinka Zitnik, profesora asociada de informática biomédica en el Blavatnik Institute de HMS y coautora senior del estudio. “PDGrapher funciona como un chef que sabe exactamente qué quiere lograr y cómo combinar los ingredientes para obtener el sabor deseado”, añadió Zitnik.
Cómo funciona PDGrapher
PDGrapher es un modelo basado en graph neural networks que no solo evalúa elementos individuales (genes, proteínas), sino sus interconexiones y efectos causales. Entrenado con datos de células enfermas antes y después de tratamientos, el algoritmo mapea relaciones causales, simula el efecto de “apagar” o modular componentes celulares y predice si dichas intervenciones revertirían el estado patológico.
En lugar de examinar exhaustivamente grandes bibliotecas de compuestos, PDGrapher prioriza combinaciones de objetivos con alta probabilidad de eficacia, acelerando la búsqueda de terapias viables.
Resultados clave y validación
Los autores entrenaron y validaron PDGrapher en 19 conjuntos de datos que abarcan 11 tipos de cáncer, empleando tanto experimentos genéticos como basados en fármacos. Entre los hallazgos:
- El modelo rindió superior a herramientas similares, rankingueando los objetivos terapéuticos correctos hasta 35% más alto que otros métodos.
- En velocidad, PDGrapher entregó resultados hasta 25 veces más rápido que enfoques comparables.
- Identificó objetivos ya conocidos (excluidos deliberadamente del entrenamiento para validar la predicción) y nuevos candidatos respaldados por evidencia emergente.
- Señaló genes clínicamente relevantes como KDR (VEGFR2) en cáncer de pulmón no microcítico y corroboró el papel de TOP2A en ciertos tumores, alineándose con estudios preclínicos recientes.
Los investigadores subrayan que PDGrapher no solo vuelve a encontrar blancos terapéuticos conocidos, sino que también propone combinaciones y dianas que podrían explicar por qué ciertas terapias funcionan en la práctica.
Impacto para la industria farmacéutica y medicina personalizada
Para ejecutivos de farmacéuticas y biotecnológicas, PDGrapher ofrece tres ventajas estratégicas:
- Eficiencia en I+D: focalizar ensayos y recursos en combinaciones con mayor probabilidad de éxito reduce el tiempo y costo del pipeline.
- Terapias combinadas: al identificar múltiples impulsores de la enfermedad, facilita el diseño de tratamientos que eviten la resistencia tumoral.
- Medicina personalizada: con validación clínica, el modelo podría orientar combinaciones terapéuticas a partir del perfil celular de cada paciente.
Zitnik anticipa aplicaciones en enfermedades neurológicas: el equipo ya emplea PDGrapher en Parkinson, Alzheimer y colabora con el Center for XDP del Massachusetts General Hospital para mapear tratamientos en distonía-parkinsonismo ligado al cromosoma X.
Disponibilidad, financiación y riesgos
PDGrapher está disponible de forma gratuita para la comunidad investigadora, según el artículo. El trabajo recibió parcialmente financiación federal —“hecho posible en parte por fondos federales”, señala el estudio—; sin embargo, los autores advierten que el futuro de iniciativas similares en Harvard podría verse afectado por decisiones gubernamentales recientes sobre terminación de subvenciones y contratos, un factor que pone en riesgo la continuidad de investigaciones apoyadas con fondos públicos.
Cierre y recomendaciones para decisores
PDGrapher representa una transición desde la búsqueda de “balas mágicas” hacia estrategias que abordan procesos celulares complejos. Para CEOs y directores de R&D en salud, la recomendación práctica es:
- Explorar pilotos conjuntos con equipos académicos para validar PDGrapher en pipelines preclínicos.
- Revisar políticas de datos y alianzas para integrar perfiles celulares y acelerar la traducción clínica.
- Evaluar modelos de negocio que combinen IA abierta con acuerdos de co-desarrollo para mantener ventaja competitiva.
Como concluye Zitnik, “nuestro objetivo final es crear una hoja de ruta clara de posibles formas de revertir la enfermedad a nivel celular”. Si PDGrapher cumple esa promesa a escala clínica, la industria tendrá una nueva palanca para diseñar terapias más rápidas, precisas y personalizadas.
La implementación de Pytorch de PDGrapher está disponible en el repositorio de GitHub .
