Los “gemelos de Digitaces” de pacientes individuales pueden ayudar a encontrar la mejor medicación a cada paciente

Los modelos de ordenador avanzados de enfermedades se pueden utilizar para perfeccionar diagnosis y el tratamiento. La meta es desarrollar los modelos “gemelos digitales” de pacientes individuales. Esos gemelos pueden ayudar a determinar y a intentar de cómputo la mejor medicación, antes real de tratar a un paciente. Los modelos son el resultado de un estudio internacional, publicado en el remedio del genoma del gorrón del acceso abierto.

Uno de los problemas más grandes de la asistencia médica es que la medicación es ineficaz en 40-70% de pacientes con enfermedades comunes. Una razón importante es que las enfermedades son causadas raramente por una “avería única, fácilmente tratable”. En lugar, la mayoría de las enfermedades dependen de acciones recíprocas alteradas entre los millares de genes en muchos diversos tipos de la célula. Otra razón es que esas acciones recíprocas pueden diferir entre los pacientes con la misma diagnosis. Hay un entrehierro amplio entre esta complejidad y atención sanitaria moderna. Un equipo de investigación internacional apuntó llenar este vacío construyendo los modelos de cómputo de la enfermedad de las acciones recíprocas alteradas del gen a través de muchos tipos de la célula.

Nuestro objetivo es desarrollar esos modelos en “gemelos digitales” de las enfermedades de los pacientes individuales para adaptar la medicación a cada paciente. Idealmente, cada uno gemelo será igualada de cómputo con y tratada con millares de drogas, antes real de seleccionar la mejor droga para tratar al paciente.”

El Dr. Miguel Benson, profesor, universidad de Linköping, Suecia

Benson llevó el estudio.

Los investigadores comenzaron desarrollando métodos para construir a gemelos digitales, usando un modelo del ratón de la artritis reumatoide humana. Utilizaron una técnica, ARN unicelular que ordenaba, para determinar toda la actividad de gen en cada uno de millares de células individuales de las juntas enfermas del ratón. Para construir los modelos de ordenador de todos los datos, los investigadores utilizaron análisis de red. Las “redes se pueden utilizar para describir y analizar la mayoría de los sistemas complejos”, dice al Dr. Benson. “Un ejemplo simple es las personas de fútbol, en las cuales conectan a los jugadores en una red basada en sus pases. El jugador que intercambia pases por la mayoría de los otros jugadores puede ser el más importante”. Los principios similares fueron aplicados para construir el ratón “hermanan”, así como para determinar el tipo más importante de la célula. Que el tipo de la célula fue igualado de cómputo con millares de drogas. Finalmente, los investigadores mostraron que la droga del “mejor” se podría utilizar para tratar y para curar los ratones enfermos.

El estudio también demostró que puede ser posible utilizar los modelos de ordenador para diagnosticar enfermedad en seres humanos. Los investigadores se centraron en el mismo tipo de la célula que fue utilizado para la identificación de la droga. Este tipo de la célula, células de T, desempeña un papel importante en la defensa inmune, y sirve como huella dactilar del gemelo digital del conjunto. Los investigadores analizaban las células de T de pacientes con trece enfermedades, incluyendo enfermedades autoinmunes, enfermedades cardiovasculares y diversos tipos de cáncer. Las huellas dactilares diagnósticas se podían utilizar no sólo para distinguir a pacientes de gente sana, pero también para distinguir la mayor parte de las enfermedades de uno a.

“Desde las células de T funciona como una clase de satélite de espía, que está reconociendo contínuo la carrocería para descubrir y para combate enfermedad tan pronto como sea posible, puede ser posible utilizar este tipo de la célula para el diagnóstico precoz de muchas diversas enfermedades”, dice a Miguel Benson.

Source:
Journal reference:

Gawel, D. et al. (2019) A validated single-cell-based strategy to identify diagnostic and therapeutic targets in complex diseases. Genome Medicine. doi.org/10.1186/s13073-019-0657-3