Capítulo 8 - El futuro de la multiómica

En esta guía, hemos explorado el increíble potencial del análisis multiómico para profundizar en nuestra comprensión de los organismos, los ecosistemas y la salud y la enfermedad, proporcionando una visión holística que los estudios uniómicos no pueden alcanzar. A medida que avance la tecnología, la investigación multiómica será cada vez más transformadora en diversos ámbitos, desde la investigación biológica básica hasta la medicina personalizada y de precisión.

Aunque las aplicaciones de la investigación multiómica abarcan un amplio espectro que va desde la atención sanitaria humana a las prácticas agrícolas, algunas de las aplicaciones más transformadoras se sitúan en el futuro de la medicina. De hecho, algunas de las palabras de moda, como "medicina de precisión" y "medicina personalizada", dependen de la investigación multiómica. En las siguientes secciones, analizamos cómo la multiómica puede impulsar la próxima revolución de la medicina humana.

La multiómica y el futuro de la medicina

La genómica, la transcriptómica, la metabolómica y otras modalidades ómicas, aplicadas individualmente, han revelado la enorme complejidad de la salud y la enfermedad ^humanas1. Esta transformación de nuestra comprensión de la biología humana ha sido posible gracias a una amplia gama de tecnologías (figura 1⁾² que han abierto la puerta a la detección y el tratamiento de enfermedades con más precisión que nunca.

La complejidad biológica descubierta por las modalidades ómicas individuales no sólo sustenta el impulso de los análisis multiómicos, sino que también es el concepto subyacente de la medicina de precisión y la medicina personalizada.

Medicina personalizada y de precisión

La medicina personalizada y la medicina de precisión están estrechamente relacionadas y se han utilizado ^{indistintamente3}. Aunque ambas adoptan el enfoque de caracterizar en profundidad a los individuos a nivel molecular, sus aplicaciones son ligeramente diferentes.

La medicina de precisión pretende predecir, prevenir y curar enfermedades con mayor ^exactitud1 y puede utilizarse para predecir el riesgo de enfermedad o los mejores tratamientos para grupos específicos de pacientes basándose en datos ómicos recogidos de grupos de individuos con las mismas ^{características} biológicas y clínicas3. La medicina de precisión impulsa y hace posible la ^medicina personalizada4, que tiene en cuenta factores específicos de un individuo, incluido su entorno, a la hora de considerar cómo tratar su ^enfermedad concreta3.

Los análisis multiómicos ya han realizado aportaciones considerables en los ámbitos de la medicina de precisión y personalizada. Por ejemplo, los investigadores han hallado correlaciones en una cohorte de egipcios entre determinadas variaciones genéticas y los niveles séricos de vitamina D, que pueden servir como factor de riesgo de ^infarto de miocardio5. En la investigación oncológica, los análisis multiómicos se han utilizado para identificar subgrupos de cáncer con ^tasas de supervivencia distintas6, para vincular variaciones en el número de copias de genes con modificaciones postraduccionales y ^resultados clínicos7, y muchos otros ^{descubrimientos} significativos2.

Estos son sólo algunos ejemplos de los descubrimientos avanzados, precisos y personalizados que permiten los análisis multiómicos. A medida que avance la tecnología y mejoren los métodos computacionales para analizar los datos multiómicos (véase el capítulo 2 de esta guía), los análisis multiómicos seguirán impulsando el futuro de la atención sanitaria de precisión.

Diagnóstico y pronóstico de enfermedades

La detección de biomarcadores es una de las aplicaciones más prometedoras del análisis multiómico, como se expone en el capítulo 1 de esta guía. Con biomarcadores precisos y sólidos, los investigadores pueden desarrollar enfoques de diagnóstico y ^pronóstico8 para identificar mejores dianas terapéuticas que permitan mejorar el tratamiento (véase la siguiente sección).

Se ha investigado mucho sobre el uso de enfoques multiómicos para identificar biomarcadores de diagnóstico y pronóstico en oncología. Los investigadores han identificado biomarcadores metabólicos diagnósticos en el carcinoma ductal ^{pancreático9} y biomarcadores genómicos, transcriptómicos, proteómicos y metabólicos para el ^diagnóstico precoz del cáncer de ovario10.

También se han identificado biomarcadores de diagnóstico y pronóstico para otras enfermedades, como el ^ictus11, la obesidad y sus ^{comorbilidades12}, e incluso la ^COVID-1913. Además, los investigadores utilizaron un enfoque multiómico para diagnosticar enfermedades raras e informar sobre los cambios de atención médica en curso en una cohorte de más de 200 ^lactantes14.

Descubrimiento y desarrollo de fármacos

La consecuencia natural del diagnóstico de una enfermedad es el tratamiento. Al igual que ocurre con el diagnóstico y el pronóstico, el descubrimiento y el desarrollo de fármacos pueden verse facilitados por el análisis multiómico. Al revelar los mecanismos moleculares que subyacen a las respuestas a los fármacos, los investigadores pueden identificar nuevas dianas terapéuticas, que pueden ser genes, factores de transcripción, metabolitos o vías metabólicas, u otras firmas moleculares. Por ejemplo, los investigadores identificaron dos modificaciones de la histona H3, H3K27ac y H3K9ac, como posibles dianas terapéuticas en la enfermedad de ^Alzheimer15. En los meningiomas, un tipo de tumor cerebral benigno, la interacción molecular entre la ubiquitina ligasa TRAF7 y el factor de transcripción KLF4 se identificó como posible diana para el desarrollo de nuevos ^{tratamientos16}. En la cardiomiopatía hipertrófica, la alteración del metabolismo energético y de la función mitocondrial sugiere que las terapias desarrolladas para mejorar la función metabólica y reducir la lesión mitocondrial pueden ayudar a disminuir la ^enfermedad17.

Tecnologías para el futuro de la multiómica

Es probable que muchos de los descubrimientos multiómicos que impulsan la medicina de precisión y personalizada, el diagnóstico de enfermedades y el descubrimiento de fármacos dependan de dos tecnologías facilitadoras: la unicelular y la ómica espacial. Estos enfoques tienen en cuenta las complejidades celulares y tisulares específicas de las enfermedades y contextualizan los descubrimientos biológicos a nivel celular, tisular y orgánico, lo que permite una comprensión más precisa y exacta de las enfermedades.

Ómicas unicelulares

Los análisis ^{unicelulares18} permiten a los investigadores estudiar las células con la máxima resolución posible, lo que permite descubrir, por ejemplo, tipos celulares raros implicados en enfermedades o contra qué células es eficaz (o no) un determinado tratamiento terapéutico. La secuenciación unicelular de ADN y ARN fue nombrada "Método del año 2013" por ^Nature19 y, desde entonces, ha realizado importantes contribuciones a nuestra comprensión de la biología y de diversos ^mecanismos de enfermedad20.

Recientemente, unos investigadores han utilizado el análisis unicelular para identificar un nuevo tipo de célula denominada célula ^SWAT21, que comparte progenitor con los adipocitos, lo que sugiere que el equilibrio entre los distintos estados de desarrollo celular podría servir de base a nuevas dianas terapéuticas precisas para las enfermedades cardiometabólicas.

Los análisis unicelulares son también la base de mapas exhaustivos como el Human Cell ^Atlas22 y Tabula ^Sapiens23, que proporcionan puntos de referencia fundacionales de la biología humana. Al comparar los nuevos conjuntos de datos con estos puntos de referencia, los investigadores pueden comprender mejor los orígenes de las enfermedades e identificar alteraciones biológica y clínicamente significativas (véase la Figura 2).

Ómicas espaciales

Del mismo modo que las técnicas ómicas aisladas no pueden ofrecer una imagen completa de un mecanismo biológico, los análisis unicelulares son necesariamente limitados. Los análisis espaciales sitúan a las células en el contexto de las demás, proporcionando una visión más holística de los procesos de salud y enfermedad. La transcriptómica espacial, por ejemplo, ya ha proporcionado pistas clave sobre las características específicas del microentorno tumoral que afectan a las respuestas al ^{tratamiento24-25}. También ha identificado y localizado espacialmente un subtipo de neuronas dopaminérgicas muy susceptibles a la degeneración y enriquecidas para el riesgo hereditario en la ^enfermedad de Parkinson26.

Observaciones finales

La investigación multiómica representa un cambio de paradigma en nuestra forma de entender la biología y los cambios moleculares que se producen cuando las cosas van mal. Ofrece oportunidades sin precedentes no sólo para entender la biología en su nivel más básico, sino también para comprender de forma más completa las enfermedades, permitiendo un futuro en el que se disponga de tratamientos más eficaces, seguros y personalizados para una amplia gama de enfermedades.

Referencias

1. Hasin Y, Seldin M y Lusis A. Enfoques multiómicos de la enfermedad. Genome Biol. 2017;18:83.
2. Babu M and Snyder M. Multi-Omics Profiling for Health. Mol Cell Proteomics. 2023; 22(6):100561. doi: 10.1016/j.mcpro.2023.100561
3. Delpierre C y Lefèvre T. Medicina de precisión y personalizada: Lo que su definición actual dice y silencia sobre el modelo de salud que promueven. Implicación para el desarrollo de la salud personalizada. Front Sociol. 2023; 8:1112159. doi: 10.3389/fsoc.2023.1112159
4. Ahmed Z. Chapter Four - Precision medicine with multi-omics strategies, deep phenotyping, and predictive analysis. En: Teplow DB, ed. Progress in Molecular Biology and Translational Science. Academic Press. 2022;190(1):101-125. 10.1016/bs.pmbts.2022.02.002
5. Sedky NK, Abdel Rahman MF, Hassanein SI, et al. Genetic variants of CYP2R1 are key regulators of serum vitamin D levels and incidence of myocardial infarction in middle-aged Egyptians. Curr Pharm Biotechnol. 2018;19(3):265-73.
6. Liu G., Dong C., Liu L. Integrated multiple "-omics" data reveal subtypes of hepatocellular carcinoma. PLoS One. 2016;11
7. Zhang H., Liu T., Zhang Z., Payne S.H., Zhang B., McDermott J.E., et al. Caracterización proteogenómica integrada del cáncer de ovario seroso humano de alto grado. Cell. 2016;166:755-765.
8. Grupo de trabajo sobre definiciones de biomarcadores . Biomarkers and surrogate endpoints: preferred definitions and conceptual framework. Clin Pharmacol Ther. 2001;69(3):89-95.
9. Mayerle J, Kalthoff H, Reszka R, et al. Metabolic biomarker signature to differentiate pancreatic ductal adenocarcinoma from chronic pancreatitis. Gut. 2018;67(1):128-137. doi: 10.1136/gutjnl-2016-312432
10. Xiao Y, Bi M, Guo H, et al. Multi-omics approaches for biomarker discovery in early ovarian cancer diagnosis. BioMedicine. 2022;79:104001. doi: 10.1016/j.ebiom.2022.104001
11. Montaner J, Ramiro L, Simats A, et al. Multilevel omics for the discovery of biomarkers and therapeutic targets for stroke. Nat Rev Neurol. 2020;16(5):247-264. doi: 10.1038/s41582-020-0350-6
12. Aleksandrova K, Rodrigues CE, Floegel A, et al. Omics Biomarkers in Obesity: Novel Etiological Insights and Targets for Precision. Curr Obes Rep. 2020;9(3):219-230. doi: 10.1007/s13679-020-00393-y
13. Byeon SK, Madugundu AK, Garapati K, et al. Development of a multiomics model for identification of predictive biomarkers for COVID-19 severity: a retrospective cohort study. Lancet Digit Health. 2022; 4(9): e632-e645. doi: 10.1016/S2589-7500(22)00112-1
14. Lunke S, Bouffler SE, Patel CV, et al. Integrated multi-omics for rapid rare disease diagnosis on a national scale. Nat Med. 2023;29(7):1681-1691. doi: 10.1038/s41591-023-02401-9
15. Nativio R, Lan Y, Donahue G, et al. An integrated multi-omics approach identifies epigenetic alterations associated with Alzheimer's disease. Nat Genet. 2020;52(10):1024-1035. doi: 10.1038/s41588-020-0696-0
16. Najm P, Zhao P, Steklov M, et al. Loss-of-Function Mutations in TRAF7 and KLF4 Cooperatively Activate RAS-Like GTPase Signaling and Promote Meningioma Development. Cancer Res. 2021;81(16):4218-4229. doi: 10.1158/0008-5472.CAN-20-3669
17. Ranjbarvaziri S, Kookier KB, Ellenberger M, et al. Altered Cardiac Energetics and Mitochondrial Dysfunction in Hypertrophic Cardiomyopathy. Circulation. 2021;144(21):1714-1731. doi: 10.1161/CIRCULATIONAHA.121.053575
18. Lähnemann D, Köster J, Szczurek E, et al. Eleven grand challenges in single-cell data science. Genome Biol. 2020;21(1):31. doi: 10.1186/s13059-020-1926-6
19. Método del año 2013. Nat Methods. 2014;11(1):1. doi: 10.1038/nmeth.2801
20. Wang S, Sun S-T, Zhang X-Y, et al. The Evolution of Single-Cell RNA Sequencing Technology and Application. Progress and Perspectives: Int J Mol Sci. 2023;24(3):2943. doi: 10.3390/ijms24032943
21. Palani NP, Horvath C, Timshel PN, et al. Adipogenic and SWAT cells separate from a common progenitor in human brown and white adipose depots. Nat Metab. 2023;5:996-1013.
22. Rood JE, Maartens A, Hupalowska A, et al. Impacto del Human Cell Atlas en la medicina. Nat Med. 2022;28:2486-2496.
23. El Consorcio Tabula Sapiens. The Tabula Sapiens: A multiple-organ, single-cell transcriptomic atlas of humans. Science. 2022;376(6594):eabl4896. doi: 10.1126/science.abl4896
24. Larroquette M, Guegan J-P, Besse B, et al. Spatial transcriptomics of macrophage infiltration in non-small cell lung cancer reveals determinants of sensitivity and resistance to anti-PD1/PD-L1 antibodies. J Immunother Cancer. 2022;10(5):e003890. doi: 10.1136/jitc-2021-003890
25. Peng Z, Ye M, Ding H, et al. Spatial transcriptomics atlas reveals the crosstalk between cancer-associated fibroblasts and tumor microenvironment components in colorectal cancer. J Transl Med. 2022;20(1):302. doi: 10.1186/s12967-022-03510-8
26. Kamath T, Abdulraouf A, Burris SJ, et al. El perfil genómico unicelular de las neuronas dopaminérgicas humanas identifica una población que degenera selectivamente en la enfermedad de Parkinson. Nat Neurosci. 2022;25(5):588-595. doi: 10.1038/s41593-022-01061-1