La inteligencia artificial está permitiendo avances biomédicos impensables. El análisis de la expresión genética en sangre de pacientes con esclerosis lateral amiotrófica (ELA) mediante estas tecnologías han revelado una firma molecular única para la enfermedad, independiente del Parkinson y del Alzheimer. La importancia de este hallazgo radica en su viabilidad clínica: a partir de complejos datos biológicos permite descubrir genes específicos que actúan como potenciales biomarcadores de diagnóstico.
Las enfermedades neurodegenerativas representan uno de los mayores desafíos científicos y sociales del siglo XXI. Dentro de este grupo, enfermedades devastadoras como el Alzheimer o el Parkinson conviven con otras de menor prevalencia e incidencia, pero de pronóstico infausto, como la Esclerosis Lateral Amiotrófica (ELA). Aunque sus síntomas iniciales son muy diferentes, todas comparten un gran reto clínico: cuando aparecen las primeras señales físicas evidentes, el daño en el sistema nervioso ya está muy avanzado, lo que prolonga el retraso diagnóstico y reduce la eficacia de los tratamientos.
Una de las grandes dificultades de estas enfermedades es que el cerebro y la médula espinal son tejidos no accesibles, lo que impide tomar muestras directas de forma sencilla. Por ello, nuestro grupo de investigación, integrado en la red CIBERNED, busca biomarcadores, que son pistas o señales biológicas que puedan medirse de manera rápida, barata y mínimamente invasiva, idealmente a través de un simple análisis de sangre o de un tejido fácilmente accesible.
Análisis de sangre mediante IA, transcriptómica e informática
Con este objetivo en mente, en lugar de mirar directamente al cerebro, elegimos analizar la sangre, utilizándola como una plataforma para descubrir qué ocurre en el resto del organismo. Para lograrlo, recurrimos a la transcriptómica, la informática y la inteligencia artificial, utilizando técnicas capaces de aprender y encontrar perfiles específicos en millones de datos.
En nuestro estudio, analizamos el comportamiento de miles de genes en muestras de sangre de cientos de pacientes con ELA, Alzheimer y Parkinson, comparándolos con personas sanas. Mediante una combinación de diferentes análisis (análisis supervisados y no supervisados) junto al uso de varios modelos de machine learning, logramos aislar una firma genética única y específica para la ELA.
Una firma genética para la ELA
Esta firma actúa como una huella dactilar y molecular compuesta por una combinación de muy pocos genes diana. Curiosamente, la mayoría de estos genes están relacionados con la respuesta inmune, la inflamación y las funciones de la microglía (las células inmunitarias del propio sistema nervioso). Esto sugiere que la inflamación característica de la ELA deja un rastro medible que viaja por nuestras venas. Sorprendentemente, al aplicar el mismo método en el Alzheimer y el Parkinson, las firmas genéticas analizadas en sangre resultaron ser mucho más débiles e inespecíficas. Esto podría deberse a que la alteración principal de estas dos patologías se centra más en el cerebro, por lo que las firmas genéticas analizadas en estas enfermedades podrían no ser tan fácilmente detectadas en sangre en comparación con la ELA, o se necesitarían nuevas dianas moleculares para aumentar la predicción de los modelos aplicados.
Un aspecto fundamental de nuestro trabajo es que no nos limitamos a identificar esa firma de genes, sino que evaluamos si podían ser utilizados para clasificar correctamente a los pacientes utilizando diferentes modelos de machine learning. El modelo que obtuvo los mejores resultados fue LASSO, un algoritmo lineal que selecciona un número muy reducido de genes. Esto nos permitió obtener un modelo más sencillo e interpretable para identificar la firma genética de la ELA en sangre. Esta característica es vital en investigación biomédica, ya que un modelo no solo tiene que funcionar bien con los datos iniciales, sino que debe ser reproducible en nuevos pacientes con un número reducido, viable y accesible de genes.
Considerar la respuesta del organismo como un todo
Aunque estos resultados requieren una mayor validación antes de su aplicación directa en el ámbito clínico, representan un paso inicial prometedor hacia el uso de herramientas de diagnóstico tempranas, menos invasivas y útiles para monitorizar a los pacientes. Además, este trabajo nos aporta una moraleja: para entender y combatir la ELA no basta con estudiar de forma aislada la neurona motora. Es imprescindible considerar la respuesta del organismo como un todo, considerando la inmunidad y la inflamación sistémica como piezas clave de la enfermedad.
En la fotografía, el grupo de investigación que ha desarrollado el trabajo. En la primera fila (de izquierda a derecha), Elisa Gascón, Rosario Osta, Ana Cristina Calvo y Janne Toivonen. En la segunda fila (centro), Pilar Zaragoza; en la tercera fila (de izquierda a derecha), Laura Moreno, Gabriel Rada, Paula Aparicio y Luis Folch.
Referencia:
Gascón, E., Calvo, A.C., Zaragoza, P. et al. Unveiling an ALS Blood Transcriptomic Signature: A Machine Learning Classifier Distinct from Neurodegenerative Controls. Neuroinform 24, 26 (2026). https://doi.org/10.1007/s12021-026-09780-7
Autores del artículo divulgativo:
Elisa Gascón Rodríguez, Ana Cristina Calvo-Royo, Pilar Zaragoza y Rosario Osta
LAGENBIO, Facultad de Veterinaria de la Universidad de Zaragoza
Centro de Investigación Biomédica en Red sobre Enfermedades Neurodegenerativas (CIBERNED) Instituto de Investigación Sanitaria de Aragón (IIS)
Instituto Agroalimentario de Aragón (IA2)
Fuente: Scientias
Artículo bajo licencia Creative Commons – Atribución (CC BY 4.0). Este artículo puede ser reproducido íntegramente siempre y cuando vaya firmado por los autores y se acredite SCIENTIAS como fuente, incluyendo el enlace a nuestra página.