Ismael Sánchez (bioquímico): «El diagnóstico molecular es clave para tratar mejor la reumatología»

Un análisis de datos ómicos —como los genómicos, transcriptómicos o proteómicos— permite estudiar miles de variables biológicas al mismo tiempo, lo que ayuda a entender mejor cómo funcionan enfermedades como la artritis reumatoide. Aplicados correctamente, estos análisis pueden identificar patrones biológicos únicos en cada paciente, lo que abre la puerta a predecir qué tratamientos tendrán mayor probabilidad de funcionar en cada caso concreto. Es decir, permiten avanzar hacia una medicina personalizada, en la que las terapias se eligen no por ensayo y error, sino en función del perfil biológico de cada persona.

Así, para abordar este apasionante campo de la bioquímica aplicada a la salud, hablamos en OKSALUD con Ismael Sánchez Pareja, investigador predoctoral del grupo GC05 Enfermedades Autoinmunes Sistémicas Inflamatorias Crónicas y del Aparato Locomotor, adscrito al Instituto Maimónides de Investigación Biomédica de Córdoba (IMIBIC) y al departamento de Reumatología del Hospital Universitario Reina Sofía de Córdoba. Bioquímico especialista en bioinformática y biología computacional aplicada al ámbito de la medicina personalizada o de precisión en este tipo de enfermedades. Además, en los últimos años parte de su actividad está dirigida a la divulgación de esta materia en congresos de renombre nacional e internacional.

Pregunta.- ¿Qué son exactamente los datos ómicos y qué tipos existen?

Los datos ómicos son conjuntos de información biológica que se obtienen mediante tecnologías de alto rendimiento. Estos datos pueden referirse a determinados niveles del funcionamiento celular, lo que le aporta el prefijo a cada disciplina ómica como, por ejemplo, la genómica y la proteómica. En estos ejemplos, se persigue la identificación, caracterización y cuantificación de la información genética (ADN) y proteica, respectivamente. No obstante, existen diferentes capas de estudio como son la transcriptómica (ARN; expresión de los genes, su actividad; paso intermedio del dogma central de la biología molecular), la metabolómica (metabolitos) y la epigenómica, principalmente.

P.- ¿Por qué son tan importantes en el estudio de enfermedades autoinmunes como la artritis reumatoide?

Este tipo de enfermedades son muy heterogéneas y complejas, es decir, no siguen un patrón uniforme en cuanto a las causas y los mecanismos inmunológicos subyacentes, a pesar de que los síntomas clínicos pueden parecerse entre ellos, siendo comúnmente el dolor e inflamación articular, pero pudiendo progresar en manifestaciones extraarticulares en órganos como la piel, ojos, pulmones, corazón, etc. Además, sólo un pequeño porcentaje de los pacientes responde de forma adecuada a los tratamientos actuales, por lo que el estudio de estas enfermedades es fundamental para facilitar el gran desafío que supone el manejo de estos pacientes para los profesionales de la salud. De este modo, las tecnologías ómicas nos ofrecen una visión integral de la fisiopatología de la enfermedad, identificando biomarcadores de diagnóstico, pronóstico, monitorización, y susceptibilidad, entre otros, que nos acercan a la medicina de precisión o personalizada según las características moleculares de cada paciente.

P.- ¿Cómo ha cambiado el enfoque de la investigación biomédica desde la llegada de este tipo de tecnologías?

La llegada de las -ómicas ha supuesto un grandísimo cambio. Antes de ellas, los análisis eran limitados a genes, proteínas o metabolitos muy concretos de los que se preestablecía una hipótesis basada en conocimiento previo. Ahora se analizan miles de variables simultáneamente. Imagínate el tiempo y coste que supondría en el pasado analizar alrededor de dieciséis mil genes que detecta aproximadamente una secuenciación de ARN. Este hecho permite identificar nuevos mecanismos de una forma integrada y determinar qué tipo de interacciones existen. Esto, junto con el uso de herramientas computacionales avanzadas como machine learning e inteligencia artificial, ayuda a clasificar a los pacientes por su perfil molecular y encontrar nuevas dianas terapéuticas.

P.- ¿Cómo ayudan estos datos a predecir qué tratamiento puede funcionar mejor en cada caso?

Los datos ómicos permiten analizar con alta resolución el perfil molecular de cada paciente en diferentes tejidos y, mediante técnicas computacionales avanzadas, se pueden identificar patrones o firmas moleculares comunes y/o distintivas entre los pacientes que se asocian a buena o mala respuesta a determinados tratamientos. Esta información podría facilitar la decisión de tratar a un nuevo paciente con uno u otro fármaco si su perfil molecular se asemeja a alguno de los patrones observados previamente con potencial predictivo.

Justo acabo de presentar mi trabajo en el congreso SER 2025 en IFEMA, Madrid, y que también ha sido expuesto en el congreso americano ACR Convergence, donde explicaba nuestros resultados en los que se han identificado firmas transcriptómicas y proteómicas que se asocian a buena respuesta a diferentes fármacos en artritis reumatoide y demuestro su potencial predictivo. Por ejemplo, nosotros sugerimos que, si un paciente de artritis reumatoide presenta alta expresión de ciertos genes y proteínas inflamatorias, respondería bien a un biológico anti-TNF.

P.- ¿Qué ventajas ofrece este enfoque frente al tratamiento tradicional basado en el método de ensayo y error?

Este enfoque rompe con este paradigma que, aunque sigue siendo valioso como estrategia, tiene ciertas limitaciones que se plasman en esa heterogeneidad de la progresión de la enfermedad y en la gran variabilidad en la respuesta al tratamiento. Identificando la huella molecular del paciente y aplicando el conocimiento de biomarcadores se podría ahorrar tiempo y optimizar recursos en el sistema sanitario, puesto que evitaríamos meses de tratamientos fallidos y el coste de calidad de vida y recursos que eso conlleva.

P.-¿Se han identificado ya algunos perfiles biológicos que respondan mejor a ciertos tratamientos?

Sí, aunque aún están en fase de validación clínica en muchos casos y no forman parte de la práctica clínica habitual. En artritis reumatoide, por ejemplo, se han descrito firmas transcriptómicas y proteómicas asociadas a una mejor respuesta a fármacos anti-TNF o inhibidores de IL-6, y últimamente se está avanzando muchísimo con los inhibidores de las JAK, unos fármacos que están dando muy buenos resultados y que, en el estudio que desarrollamos en nuestro equipo, encontramos una clara asociación entre buenas respuesta y elevada actividad de genes de la vía del interferón.

P.- ¿Qué otras enfermedades autoinmunes podrían beneficiarse de este tipo de análisis (como lupus, psoriasis, esclerosis múltiple…)?

Este tipo de enfermedades comparten mecanismos moleculares, aunque presenten comportamientos distintivos y heterogéneos. Profundizar en estas similitudes y diferencias de perfiles moleculares entre enfermedades es fundamental y nosotros trabajamos en ello, puesto que estamos desarrollando un trabajo que compara perfiles transcriptómicos, proteómicos y metabolómicos entre artritis reumatoide, lupus, síndrome antifosfolípido y esclerosis sistémica. Todas ellas son enfermedades candidatas para aplicar estrategias de medicina personalizada basadas en análisis de datos ómicos.

P.-¿Cuáles son las principales barreras para implementar la medicina personalizada basada en datos ómicos en el sistema sanitario?

Existen diferentes desafíos tanto técnicos como organizativos. El coste de generar y analizar estos datos sigue siendo elevado y, además, necesitan pasar un proceso de validación exhaustivo. Por otra parte, no todos los hospitales disponen de las tecnologías necesarias y personal formado para interpretar estos datos. Asimismo, trabajar con datos genéticos o moleculares necesita cumplir diferentes aspectos legales y éticos sobre confidencialidad y consentimiento.

P.- ¿Qué papel juegan la inteligencia artificial y el big data en la interpretación de estos datos tan complejos?

La IA y el big data son fundamentales para procesar la gran cantidad de datos que abarcan las ómicas y extraer la máxima información y conocimiento de ellas. Analizarlos con métodos estadísticos tradicionales es prácticamente inviable y no aprovecharía lo suficiente el potencial de estos datos.

Estos novedosos algoritmos que involucran la IA, especialmente el aprendizaje automático (machine learning) y el aprendizaje profundo (deep learning), son capaces de detectar patrones complejos y firmas específicas dentro de estos grandes y heterogéneos volúmenes de datos. Además, permitirían comparar a cada paciente con bases de datos de diferentes hospitales e institutos, obteniendo resultados más robustos. Por ejemplo, nosotros los aplicamos en las enfermedades autoinmunes sistémicas que estudiamos para clasificar pacientes en subgrupos según sus perfiles moleculares y evaluar su relación con la clínica y la respuesta terapéutica, e intentamos validar nuestros resultados con cohortes de pacientes externas al hospital Reina Sofía de Córdoba.

P.- Para finalizar, ¿cuál cree que será el mayor impacto de estos datos en la vida de los pacientes en los próximos años?

El mayor impacto será el cambio radical del modelo médico actual a un sistema más inteligente y eficaz que influirá en el diagnóstico, tratamiento y monitorización de las enfermedades. Se podrá personalizar la medicina adaptándose a las características moleculares del paciente, de modo que el tratamiento dejará de seguir un protocolo general que pasará a ser más preciso, temprano y centrado en la persona. Esto permitirá mejorar los resultados clínicos y, con ello, la calidad de vida de cada paciente.