Se sabe que las bacterias intestinales son un factor clave en muchos problemas de salud. Sin embargo, su número y variedad son enormes, al igual que las formas en que interactúan con la química del cuerpo y entre sí.
Por primera vez, investigadores de la Universidad de Tokio han utilizado un tipo especial de inteligencia artificial llamada red neuronal bayesiana para analizar un conjunto de datos de bacterias intestinales con el fin de encontrar relaciones que las herramientas analíticas actuales no podrían identificar de manera fiable.
El cuerpo humano está compuesto por entre 30 y 40 billones de células, pero los intestinos contienen alrededor de 100 billones de bacterias intestinales. Técnicamente, llevamos más células que no forman parte de nosotros que las que sí lo son. Estas bacterias intestinales son, por supuesto, responsables de algunos aspectos de la digestión, aunque lo sorprendente para algunos es su relación con muchos otros aspectos de la salud humana.
Las bacterias son increíblemente variadas y también producen y modifican una cantidad asombrosa de sustancias químicas llamadas metabolitos. Estos actúan como mensajeros moleculares, permeando el cuerpo y afectando todo, desde el sistema inmunitario y el metabolismo hasta la función cerebral y el estado de ánimo. Huelga decir que comprender las bacterias intestinales es muy beneficioso.
«El problema es que apenas estamos empezando a comprender qué bacterias producen qué metabolitos humanos y cómo cambian estas relaciones en diferentes enfermedades», dijo el investigador del proyecto Tung Dang, del laboratorio de Tsunoda en el Departamento de Ciencias Biológicas.
Al mapear con precisión estas relaciones químicas entre bacterias, podríamos desarrollar tratamientos personalizados. Imaginemos poder cultivar una bacteria específica para producir metabolitos beneficiosos para los humanos o diseñar terapias dirigidas que modifiquen estos metabolitos para tratar enfermedades.
Esto suena bien, ¿entonces cuál es el problema? Como se mencionó, existen innumerables y variadas bacterias y metabolitos, y por lo tanto, muchas más relaciones entre ellos. Recopilar datos sobre esto por sí solo es una tarea monumental, pero analizarlos para encontrar patrones interesantes que puedan revelar alguna función útil lo es aún más. Para lograrlo, Dang y su equipo decidieron explorar el uso de herramientas de inteligencia artificial (IA) de vanguardia .
«Nuestro sistema, VBayesMM, distingue automáticamente los factores clave que influyen significativamente en los metabolitos del amplio espectro de microbios menos relevantes, a la vez que reconoce la incertidumbre sobre las relaciones previstas, en lugar de proporcionar respuestas demasiado confiadas pero potencialmente erróneas», afirmó Dang.
Al probarlo con datos reales de estudios sobre trastornos del sueño, obesidad y cáncer, nuestro enfoque superó consistentemente los métodos existentes e identificó familias bacterianas específicas que se alinean con procesos biológicos conocidos, lo que brinda la confianza de que descubre relaciones biológicas reales en lugar de patrones estadísticos sin sentido.
Dado que VBayesMM puede gestionar y comunicar problemas de incertidumbre, ofrece a los investigadores mayor confianza que una herramienta que no lo hace. Si bien el sistema está optimizado para gestionar grandes cargas de trabajo analíticas, la minería de conjuntos de datos tan grandes aún conlleva un alto coste computacional. Sin embargo, con el tiempo, esto se convertirá en una barrera cada vez menor para quienes deseen utilizarlos.
Otras limitaciones actuales incluyen que el sistema se beneficia de tener más datos sobre las bacterias intestinales que sobre los metabolitos que producen; cuando los datos bacterianos son insuficientes, la precisión disminuye. Además, VBayesMM asume que los microbios actúan de forma independiente, pero en realidad, las bacterias intestinales interactúan de maneras increíblemente complejas.
«Planeamos trabajar con conjuntos de datos químicos más completos que capturen la gama completa de productos bacterianos, aunque esto plantea nuevos desafíos para determinar si las sustancias químicas provienen de bacterias, del cuerpo humano o de fuentes externas como la dieta», afirmó Dang. «También buscamos que VBayesMM sea más robusto al analizar diversas poblaciones de pacientes, incorporando las relaciones del árbol genealógico bacteriano para realizar mejores predicciones y reduciendo aún más el tiempo de cálculo necesario para el análisis.
Para las aplicaciones clínicas, el objetivo final es identificar objetivos bacterianos específicos para tratamientos o intervenciones dietéticas que realmente puedan ayudar a los pacientes, pasando de la investigación básica a las aplicaciones médicas prácticas».
Más información: Dang Tung et al., VBayesMM: Red neuronal bayesiana variacional para priorizar relaciones importantes de datos multiómicos del microbioma de alta dimensión, Briefings In Bioinformatics (2025). DOI: 10.1093/bib/bbaf300
Leyenda de imagen principal:
VBayesMM utiliza datos emparejados de microbioma y metabolitos, con las especies microbianas como variables de entrada y la abundancia de metabolitos como variables objetivo. Crédito: Briefings In Bioinformatics (2025). DOI: 10.1093/bib/bbaf30
