Grupo de Investigación en IA y Datos de Salud
Con la Inteligencia Artificial (IA) en salud como su motor, el equipo desarrolla aproximaciones de IA científica y biología computacional. A través de estas, se integran datos multimodales (incluyendo información ómica, neuroimagen, y datos clínicos, cognitivos y de estilo de vida) para transformar la investigación sobre la neurodegeneración, como el Alzheimer, en soluciones clínicas reales.
Medicina de precisión impulsada por datos y computación
Bajo la dirección del Dr. Joaquín Dopazo, el grupo de Investigación en Inteligencia Artificial y Datos de Salud tiene como misión principal transformar la inmensa cantidad de datos de investigación del BBRC en conocimiento útil y accionable.
Para lograrlo, el equipo desarrolla avanzados modelos computacionales que combinan Inteligencia Artificial (IA), biología computacional y modelización. El objetivo es superar la medicina tradicional basada en estadísticas para dar paso a una medicina de precisión real. Esto permite que tanto los tratamientos como las estrategias de prevención se adapten a las características únicas de cada individuo.
Una de las áreas más innovadoras en las que trabajan es la IA generativa, con la que desarrollan pacientes sintéticos y modelos agénticos para simular y estudiar escenarios complejos de salud.
Innovación en IA generativa: pacientes sintéticos y modelos agénticos
Su investigación combina Inteligencia Artificial (IA), biología de sistemas y genómica computacional para identificar biomarcadores, predecir riesgo y progresión, y comprender los mecanismos moleculares de la enfermedad de Alzheimer.
Además, impulsa nuevas metodologías basadas en pacientes sintéticos (registros clínicos generados mediante IA que simulan historias clínicas reales sin comprometer la privacidad) para facilitar la investigación ética y segura. También trabaja con metodologías de IA agéntica, capaz de realizar de forma autónoma numerosos aspectos del proceso de investigación y toma de decisiones complejas.
Estas tecnologías aceleran la generación de conocimiento biomédico y su aplicación traslacional en cohortes de estudio como ALFA, optimizando el paso de la investigación al beneficio clínico.
Aproximaciones computacionales para la integración multimodal de datos y el descubrimiento de biomarcadores
Integración y análisis conjunto de datos genómicos, transcriptómicos, proteómicos, metabolómicos, microbioma, neuroimagen, así como datos clínicos, cognitivos y de estilo de vida para caracterizar la heterogeneidad de las enfermedades neurodegenerativas e identificar biomarcadores con valor diagnóstico, pronóstico y predictivo.
Desarrollo de aplicaciones bioinformáticas para el manejo de datos ómicos.
Aplicaciones de Inteligencia Artificial para predicción precoz del Alzheimer y estratificación de pacientes
Desarrollo de modelos de IA orientados a identificar individuos en riesgo, predecir progresión clínica y estratificar pacientes en fases tempranas o preclínicas de enfermedades neurodegenerativas, con especial atención a la enfermedad de Alzheimer.
Biología de sistemas y modelización mecanística para descubrir nuevas dianas terapéuticas
Aplicación de modelos de rutas, redes biológicas y enfoques mecanísticos para interpretar alteraciones moleculares, comprender mecanismos patogénicos y proponer nuevas dianas terapéuticas o estrategias de reposicionamiento de fármacos.
Genómica computacional aplicada a enfermedades neurodegenerativas raras
Generación de pacientes sintéticos y simulación de cohortes virtuales
Desarrollo y validación de metodologías de IA generativa para la creación de pacientes sintéticos (gemelos digitales) y cohortes virtuales que faciliten la investigación, el entrenamiento de modelos, la evaluación de hipótesis y el intercambio seguro de datos preservando la privacidad.
Sistemas de IA avanzados para la generación automática de conocimiento biomédico
Diseño de sistemas avanzados de IA agéntica capaces de explorar de forma autónoma datos biomédicos, literatura científica y bases de conocimiento para generar hipótesis, integrar evidencias, descubrir relaciones relevantes y acelerar la investigación traslacional en neurodegeneración.
