Hacia un Nuevo Paradigma Centrado en el Estado de Predisposición en la Investigación Multi-ómica

Área de la Ciencia:

• Biología de Sistemas
• Medicina de Precisión
• Biología Computacional

Sus antecedentes:

• Los datos multi-ómicos presentan desafíos en la detección de señales sutiles de predisposición debido a la alta dimensionalidad, heterogeneidad y ruido.
• Es difícil distinguir la desregulación metabólica reversible de los estados de enfermedad irreversibles, como la Diabetes tipo 2, con los métodos analíticos actuales.
• Los métodos existentes luchan por establecer relaciones dinámicas y causales para predecir las transiciones de la enfermedad desde la salud.

Objetivo del estudio:

• Proponer una metodología de investigación novedosa centrada en el estado de predisposición.
• Avanzar en los métodos para investigar procesos dinámicos resueltos espacio-temporalmente en sistemas biológicos.
• Establecer una base teórica para la atención médica proactiva mediante la decodificación de la arquitectura molecular de predisposición.

Principales métodos:

• Centrándose en arquitecturas regulatorias de múltiples escalas y dinámicas sinérgicas multivariadas.
• Aprovechando los avances conceptuales, computacionales y tecnológicos emergentes.
• Adoptando una perspectiva a nivel de sistemas para analizar datos multi-ómicos.

Principales resultados:

• La metodología propuesta ofrece una ventana novedosa a nivel de sistemas para superar las limitaciones en los estudios multi-ómicos actuales.
• Facilita la decodificación de la arquitectura molecular subyacente a los estados de predisposición.
• Proporciona un marco para distinguir las señales sutiles pre-patológicas del ruido fisiológico.

Conclusiones:

• Aboga por un cambio de paradigma hacia un enfoque centrado en el estado de predisposición.
• Destaca el potencial de esta metodología como puente entre los conocimientos multi-ómicos y la medicina interceptiva.
• Tiene como objetivo trasladar la acción clínica a la fase presintomática para la atención médica proactiva.