LabNews IA

Un nuevo modelo explicable basado en redes neuronales gráficas puede vincular patrones espaciales de tejido en datos de proteómica espacial con resultados clínicos. Así lo informa un equipo de investigación liderado por Ahmet Sureyya Rifaioglu y Julio Saez-Rodriguez en "Nature Communications" (DOI: 10.1038/s41467-026-77924-z). El modelo se llama SpaCEy (Spatial Clinical Explainability). Los tejidos son ecosistemas complejos organizados espacialmente, y los cambios en estos tejidos subyacen a numerosas enfermedades. La ómica espacial permite el perfilado molecular de la organización tisular, pero vincular estos patrones con los resultados clínicos sigue siendo un desafío. SpaCEy modela los tejidos como grafos espaciales basados ​​en la expresión de marcadores moleculares, sin tipos celulares ni regiones anatómicas predefinidas como entradas del modelo. Las incrustaciones capturan las relaciones intercelulares y las dependencias moleculares para predecir la supervivencia general y la progresión de la enfermedad. Un explicador integrado identifica patrones espaciales recurrentes y la expresión coordinada de marcadores relevantes para las predicciones. Aplicado a una cohorte de proteómica espacial de pacientes con cáncer de pulmón, SpaCEy identificó patrones espaciales y de expresión de proteínas asociados con… 

La inteligencia artificial (IA) y el aprendizaje automático pueden acelerar la identificación de peligros de PFAS y la prevención de exposiciones, pero deben complementar, no reemplazar, las mediciones, la validación biológica, la revisión de expertos y la toma de decisiones transparente. Esta es la conclusión de un artículo de revisión de Abir Hamze y Emran Alotaibi en "Discover Artificial Intelligence" (DOI: 10.1007/s44163-026-02266-0). Las sustancias perfluoroalquiladas y polifluoroalquiladas (PFAS) representan un gran desafío para la toxicología ambiental y la evaluación de riesgos para la salud debido a su amplio espectro químico, persistencia, diversidad estructural y caracterización inconsistente. Los evaluadores de riesgos a menudo tienen que decidir sobre el monitoreo, las pruebas, la prevención de la exposición y la remediación antes de que se disponga de datos toxicológicos completos para muchos productos establecidos, emergentes, de cadena corta, basados ​​en éter, precursores y de transformación. La IA, el aprendizaje automático, las relaciones cuantitativas estructura-actividad y estructura-propiedad (QSAR/QSPR), la extrapolación, la simulación molecular, los análisis ómicos y los modelos probabilísticos se utilizan cada vez más para priorizar los PFAS, predecir la bioactividad, estimar la exposición y respaldar la evaluación de riesgos. Sin embargo, la precisión predictiva por sí sola no es suficiente para la toma de decisiones. Los resultados de los modelos para toxicología… 

El Espacio Europeo de Datos Sanitarios (EHDS) y los biobancos europeos podrían complementarse, pero no son automáticamente interoperables. Esta es la conclusión de un análisis realizado por Laura Grech y Nikolai Paul Pace en la revista «Frontiers in Genetics» (DOI: 10.3389/fgene.2026.1932078). Según los autores, el EHDS se considera el intento más ambicioso hasta la fecha para crear un marco jurídico, técnico y de gobernanza común para el uso de datos sanitarios en la UE. Crea una nueva infraestructura tanto para el uso primario —como el acceso transfronterizo a los historiales clínicos electrónicos para la atención sanitaria— como para el uso secundario en investigación, innovación, salud pública, ciencia regulatoria y formulación de políticas. Paralelamente, los biobancos europeos se han convertido en una infraestructura de investigación clave que apoya la medicina genómica, el descubrimiento de biomarcadores, la investigación de enfermedades raras y la medicina de precisión. La convergencia de los historiales clínicos habilitados por el EHDS, los biobancos conectados a BBMRI-ERIC y la iniciativa «1+ Million Genomes» ofrece un camino prometedor… 

Los vuelos espaciales tripulados alteran la fisiología y, por lo tanto, pueden afectar la seguridad y la eficacia de los fármacos. Un equipo de investigación liderado por Theodore M. Nelson y Christopher E. Mason ha desarrollado un marco de datos para identificar genes farmacológicamente relevantes que responden a las condiciones espaciales. El trabajo se publicó en "Frontiers in Physiology" (DOI: 10.3389/fphys.2026.1879838). El objetivo era crear un marco de gestión de datos FAIR (es decir, datos localizables, accesibles, interoperables y reproducibles) mediante una nueva base de datos de fármacos utilizados en el espacio. Según los autores, este recurso, recopilado a partir de literatura disponible públicamente, sirve de base para análisis farmacológicos integrados. El equipo vinculó el catálogo de fármacos con conjuntos de datos ómicos espaciales disponibles, desarrollando así un enfoque basado en datos para identificar genes relevantes para la farmacología en el espacio. Centrarse en los mecanismos biológicos alterados por los viajes espaciales abre una nueva vía para comprender los cambios clave en los procesos ADME (absorción, distribución, metabolismo y excreción).