El uso de machine learning ha revolucionado la investigación en demencias. Esto marca un giro en la posibilidad de aplicar la inteligencia artificial en práctica clínica.

Cuando Alois Alzheimer describió por primera vez la enfermedad que hoy lleva su nombre, observó la devastación neuronal bajo el microscopio. Más de un siglo después, la medicina ha dado un salto monumental; ya no se limita a la posibilidad de observar neuronas teñidas, sino que puede procesar millones de variantes genéticas en segundos, gracias a la ayuda de máquinas con inteligencia artificial (IA).

La enfermedad de Alzheimer (EA), con su complejidad genética, se ha convertido en terreno fértil para estas nuevas herramientas. Los estudios tradicionales, como los de Asociación del Genoma Completo (GWAS) [1] han permitido identificar variantes de riesgo en genes como APOE o BIN1, pero su capacidad se agota al suponer que cada gen actúa de manera aislada y lineal.

La clínica, en cambio, muestra otra cara: la afección no es uniforme, se presenta de formas diversas según la edad, sexo o la carga genética individual [2]. Y es precisamente en ese punto donde el machine learning (rama de la IA que estudia cómo dotar a las máquinas de capacidad de aprendizaje, basándose en algoritmos capaces de identificar patrones en grandes bases de datos y aprender de ellos, según la Universidad Complutense de Madrid) promete una revolución.

Para ello, un equipo internacional llevó a cabo el mayor análisis genómico con IA aplicado en esta área. El trabajo examinó a 41.686 individuos del European Alzheimer & Dementia Biobank (EADB), permitiendo combinar un volumen de datos sin precedentes con algoritmos de última generación. El desafío era doble: comprobar si la IA podía replicar hallazgos genéticos conocidos y, al mismo tiempo, explorar nuevas asociaciones invisibles a los modelos lineales clásicos [2].

Los investigadores recurrieron a modelos de gradiente, redes neuronales informadas por conocimiento biológico y metodologías diseñadas para detectar interacciones entre variantes. Lo notable fue que las tres aproximaciones lograron capturar la totalidad de los loci de riesgo previamente reportados y, además, detectar casi una cuarta parte de las asociaciones descritas en metaanálisis mucho más grandes. Lo más revelador fue que la IA detectó seis regiones genéticas inéditas, entre ellas genes vinculados a procesos de fagocitosis, estrés oxidativo y regulación sináptica [2].

De la predicción al descubrimiento

Si bien el cálculo de puntajes de riesgo poligénico (PRS) es una herramienta válida para predecir la probabilidad EA, su utilidad es limitada y se basa en la idea de que los genes suman riesgos de manera lineal [3].

La IA rompe ese paradigma. En el estudio europeo, los modelos no solo alcanzaron una capacidad predictiva comparable a los PRS, sino que aportaron la posibilidad de descifrar interacciones no lineales entre variantes y revelar mecanismos biológicos ocultos.

Entre ellos, el hallazgo de genes como ARHGAP25, involucrado en la capacidad de las células inmunes para fagocitar desechos, o LY6H, relacionado con receptores nicotínicos alterados por la acumulación de beta-amiloide.

También destacó al gen COG7, clave en el procesamiento de proteínas en el aparato de Golgi, un punto de vulnerabilidad para la glicosilación anómala de tau y APP, y SOD1, históricamente vinculado a la esclerosis lateral amiotrófica, pero ahora emergente en EA [2]. Estos hallazgos confirman que la IA no se limita a predecir, sino que se convierte en un motor de descubrimiento.

El trabajo europeo se suma a una corriente cada vez más robusta en la literatura internacional. Investigadores en Asia y Norteamérica han aplicado modelos de deep learning para refinar el análisis de riesgo poligénico en EA y han demostrado que las redes neuronales profundas pueden aumentar la precisión en comparación con los métodos tradicionales [4]. 

Las revisiones sistemáticas coinciden en señalar que, aunque las aplicaciones aún enfrentan desafíos de replicación y estandarización, la IA tiene un potencial claro para transformar la genética de las demencias. El punto de inflexión parece estar en la escala: a medida que los consorcios internacionales reúnen más datos y las herramientas de análisis se perfeccionen, las limitaciones metodológicas se reducirán y la solidez de los hallazgos aumentará.

Progresivo pero firme

La posibilidad de integrar predicciones genéticas más complejas abre escenarios concretos en la práctica neurológica. Sin embargo, los propios autores reconocen que no todas las asociaciones encontradas logran replicarse en cohortes externas, un problema que también aqueja a los GWAS. 

La influencia de APOE, apolipoproteína E que influye en el riesgo de desarrollar demencia a través de su función en el transporte de colesterol y grasas en el cerebro, sigue siendo tan fuerte que puede enmascarar otros efectos genéticos, y la interpretación de los modelos aún presenta barreras para su aplicación clínica inmediata [1].

Tampoco debe olvidarse que los algoritmos de inteligencia artificial son tan buenos como los datos que reciben. La mayoría de los estudios se han centrado en poblaciones de ascendencia europea, lo que limita la generalización a otros grupos. El reto de la diversidad genética es crucial si se pretende trasladar estos hallazgos a una medicina verdaderamente global.

Referencias:
[1] Bettencourt, C., Skene, N., Bandres-Ciga, S., Anderson, E., Winchester, L. M., Foote, I. F., Schwartzentruber, J., Botia, J. A., Nalls, M., & International Genomics of Alzheimer’s Project (IGAP). (2023). Artificial intelligence for dementia genomics and multi-omics. Alzheimer’s & Dementia, 19(11), 4991–5007.
[2] Bracher-Smith, M., Van Steen, K., Van Duijn, C., Escott-Price, V., et al. (2025). Machine learning in Alzheimer’s disease genetics. Nature Communications, 16, 6726.
[3] Elliott J , Bodinier B , Bond TA, et al. Precisión predictiva de un modelo de predicción mejorado con puntuación de riesgo poligénico frente a una puntuación de riesgo clínico para la enfermedad coronaria. JAMA. 2020;323(7):636–645.
[4] Zhou, X., et al. (2023). Deep learning-based polygenic risk analysis for Alzheimer’s disease prediction. Communications Medicine, 3(1), 1–20.

Por María Ignacia Meyerholz