IA4DT2

Una gran parte de la carga sanitaria en los países desarrollados se dedica al tratamiento y seguimiento de pacientes con enfermedades complejas, como la diabetes tipo 2 (DT2). Por ello, la identificación de tratamientos, pero sobre todo protocolos para su predicción y prevención, se han convertido en prioridades para la investigación en biomedicina y para su traducción a la práctica clínica. Estas enfermedades tienen una etiología compleja, con una importante carga genética y una fuerte dependencia de variables externas, ambientales, de estilo de vida y del exposoma. Numerosos estudios genéticos han identificado cientos de variaciones en el genoma asociadas al riesgo de desarrollar este tipo de enfermedades, con la promesa y esperanza de que sus resultados permitan identificar dianas farmacológicas y la posibilidad de predecir el riesgo de padecer la enfermedad. Sin embargo, aunque se han dirigido a genes específicos, la traducción de esta información genética en modelos predictivos con validez clínica es actualmente muy limitada. Esto se debe al escaso poder predictivo de los enfoques reduccionistas, como los Polygenic Risk Scores, y a las limitadas posibilidades de integrar otras variables clínicas, ambientales y de estilo de vida, que son potenciales modificadores del riesgo en este tipo de patología. Por ello, en este proyecto proponemos la construcción de modelos de predicción de la diabetes tipo 2, basados en enfoques más integradores utilizando inteligencia artificial (modelos de aprendizaje automático), para la identificación de determinantes genéticos, clínicos (variables y patologías asociadas) y ambientales, y para la construcción de modelos de predicción y clasificación de pacientes con diabetes tipo 2. Con estos modelos combinados, no solo podemos proponer nuevos objetivos terapéuticos sino también predictores sólidos que permitan el desarrollo y la implementación de protocolos de prevención clínica basados en el estilo de vida para cada individuo.

La Diabetes de Tipo 2 (DT2), responsable del 65.3% de las muertes a nivel mundial en 2021, es una enfermedad multifactorial causada por la combinación de múltiples variables genéticas con factores ambientales y de estilo de vida. El proyecto IA4DT2 tiene como objetivo desarrollar modelos predictivos de DT2 basados en datos genéticos, ambientales, de estilo de vida y clínicos, además de identificar marcadores epigenéticos clave en su desarrollo. En colaboración entre el grupo de Genética Computacional del Barcelona Supercomputing Center, el grupo GCAT|Genomes for Life del Institut Germans Trias i Pujol y el departamento de Derecho Público de la Universidad del País Vasco, se han implementado protocolos para facilitar el acceso y transferencia de datos. Esto permitió el análisis de las cohortes de UK Biobank y de GCAT, con información genética, de estilo de vida y clínica de más de 500,000 participantes. Se generaron y validaron distintos modelos predictivos de DT2 (genético, clínico y de estilo de vida) con un poder de detección entre 60-73%, mejorando la detección de la predisposición genética a DT2 y proponiendo nuevos objetivos de estudio en marcadores genéticos y ambientales. Adicionalmente, el análisis de patrones epigenéticos en GCAT permitió la identificación de regiones y genes clave en la regulación de la glucosa y resistencia a la insulina. Estos hallazgos sugieren que factores externos, como la contaminación del aire, podrían inducir cambios epigenéticos que promueven el desarrollo de la enfermedad. Este conocimiento abre nuevas perspectivas para predecir y prevenir la DT2, considerando no solo enfoques clínicos, sino también la mitigación de los impactos ambientales en nuestra salud y la intervención de la predisposición genética individual.