El grupo de Enfermedades autoinmunes sistémicas-inflamatorias crónicas del aparato locomotor y tejido conectivo (GC05) del IMIBIC integra datos clínicos, tisulares y ómicos —transcriptómica, proteómica, metabolómica, etc.— con herramientas de inteligencia artificial (IA) para avanzar en la comprensión del lupus. Su objetivo es caminar hacia un modelo de medicina personalizada y precisión en esta enfermedad, reduciendo el ensayo-error terapéutico y facilitando un seguimiento más eficaz y menos invasivo de los pacientes. La Dra. Rosario López-Pedrera, investigadora principal del grupo detalla algunas de las claves del trabajo de su grupo.

¿Cuáles son actualmente las principales líneas de investigación del IMIBIC en relación con la identificación y validación de biomarcadores en lupus?

Actualmente, nuestro grupo GC05 del IMIBIC se centra en desarrollar estrategias de medicina de precisión en lupus eritematoso sistémico, integrando información clínica, tisular y molecular de amplias cohortes de pacientes. Trabajamos en identificar endotipos de la enfermedad y en biomarcadores que predigan la evolución clínica, la aparición de brotes, el daño de órgano —con especial atención a la nefritis lúpica— y la respuesta a nuevas terapias biológicas y sintéticas dirigidas. Un objetivo clave es que estos biomarcadores sean medibles en fluidos corporales accesibles (sangre, orina) y puedan trasladarse a la práctica clínica rutinaria mediante técnicas estándar.

¿Qué tipos de biomarcadores están centrando vuestra investigación? ¿Qué utilización tienen? ¿Qué ventajas ofrecen?

Estamos abordando biomarcadores multi‑ómicos: transcriptómicos (RNA‑seq en células inmunes), proteómicos de alta sensibilidad en suero y orina, metabolómicos, perfiles celulares avanzados (CyTOF), autoanticuerpos y firmas de splicing y microARN. Estos marcadores tienen aplicaciones diagnósticas, pronósticas y, especialmente, de predicción de respuesta terapéutica y riesgo de brote, daño renal y cardiovascular. Su principal ventaja es que permiten pasar de un manejo “uno para todos” a una estratificación fina de los pacientes, reduciendo el ensayo‑error terapéutico y facilitando un seguimiento menos invasivo, basado en biofluidos.

¿Cómo están influyendo los enfoques emergentes (medicina de precisión, integración de datos multi-ómicos, uso de IA, etc.) en vuestro trabajo?

Estos enfoques son el eje de nuestro trabajo: combinamos datos clínicos detallados con transcriptómica, proteómica, metabolómica y citómica, integrados mediante herramientas avanzadas de inteligencia artificial y machine learning para construir modelos multimodales de predicción. Esta aproximación nos permite definir endotipos de lupus con mecanismos patogénicos diferenciales, así como algoritmos que anticipan evolución, riesgo de brote y probabilidad de respuesta a terapias como belimumab o anifrolumab. Además, utilizamos estas firmas moleculares para apoyar estrategias de reposicionamiento de fármacos y para diseñar estudios mecanísticos que aclaren por qué algunos pacientes responden y otros no.

De cara al futuro, ¿cuáles consideras que serán las principales tendencias científicas en el campo de los biomarcadores en lupus y qué impacto podrían tener en la estratificación de pacientes y el desarrollo de terapias personalizadas?

En los próximos años, las principales tendencias pasarán por integrar de forma rutinaria datos multi‑ómicos y clínicos en modelos de inteligencia artificial fáciles de usar en la consulta, y por desarrollar paneles reducidos de biomarcadores medibles por técnicas estándar (ELISA, PCR) que actúen como “firma” de cada endotipo de lupus. Asimismo, la combinación de marcadores sistémicos con información tisular (por ejemplo, procedente de biopsias renales o transcriptómica espacial) permitirá entender mejor la heterogeneidad de la nefritis lúpica. Todo ello se traducirá en una estratificación más robusta de los pacientes y en algoritmos que orienten la selección de la terapia más adecuada para cada perfil, reduciendo la exposición innecesaria a fármacos de alto coste o baja probabilidad de respuesta.