Inteligencia artificial y medicina tradicional china
Una nueva vía para explicar los mecanismos de las combinaciones de preparados fitoterápicos
La medicina tradicional china se basa en una visión holística de la enfermedad y del tratamiento. Sus fórmulas combinan habitualmente varias drogas medicinales y múltiples componentes químicos, con numerosos efectos biológicos simultáneos. Esta complejidad, descrita como un modelo “multicomponente, multidiana y multivía”, ha dificultado durante décadas la explicación de sus mecanismos de acción con las herramientas clásicas de la farmacología convencional.
La revisión de He y colaboradores analiza cómo la inteligencia artificial puede contribuir a descifrar esta complejidad, integrando farmacología de redes, aprendizaje automático, aprendizaje profundo, datos ómicos, bases de datos biomédicas, grafos de conocimiento y validación experimental. El objetivo no es solo predecir qué componentes pueden ser activos, sino reconstruir la lógica biológica que conecta una fórmula fitoterápica con sus compuestos, dianas moleculares, vías de señalización, enfermedades y posibles resultados clínicos.
De la farmacología de redes a la inteligencia artificial
La farmacología de redes constituye el punto de partida del nuevo enfoque. Frente al modelo clásico “un fármaco, una diana”, esta metodología construye redes del tipo “planta–compuesto–diana–enfermedad”. En ellas, una fórmula o una droga vegetal no se interpreta como una única molécula activa, sino como un sistema capaz de modular varias dianas y rutas biológicas relacionadas con una enfermedad.
Las bases de datos más utilizadas en este campo incluyen TCMSP, TCMID, BATMAN-TCM, ETCM y HERB2.0 para información sobre plantas, fórmulas, compuestos, parámetros ADME y relaciones planta-diana-enfermedad. Estas se combinan con bases biomédicas como DrugBank, GeneCards, OMIM, TTD, KEGG y STRING, que permiten identificar dianas terapéuticas, genes relacionados con enfermedades, rutas de señalización y redes de interacción proteína-proteína.
La inteligencia artificial permite mejorar este enfoque. Los modelos de aprendizaje automático, como random forest, support vector machine o LASSO, ayudan a seleccionar compuestos activos, predecir dianas, estimar propiedades farmacocinéticas y priorizar hipótesis. El aprendizaje profundo, especialmente las redes neuronales convolucionales y las redes neuronales de grafos, permite analizar imágenes microscópicas, espectros químicos, redes biológicas complejas y posibles sinergias entre componentes de una fórmula.
Aplicaciones principales
La revisión identifica varias áreas en las que la inteligencia artificial puede transformar la investigación en medicina tradicional china:
1. Identificación de componentes activos
Permite cribar grandes bibliotecas químicas de plantas medicinales y seleccionar las moléculas con mayor probabilidad de actividad biológica.
2. Predicción ADME/T
Ayuda a estimar la absorción, distribución, metabolismo, excreción y toxicidad de los compuestos vegetales antes de iniciar estudios experimentales.
3. Control de calidad
La IA puede relacionar huellas químicas, composición, impurezas, tamaño de partícula y características del proceso de fabricación con la eficacia esperada del producto final.
4. Análisis de sinergias
Las redes neuronales de grafos permiten estudiar cómo varios componentes de una combinación pueden actuar de forma coordinada sobre diferentes dianas.
5. Integración multiómica
La combinación de genómica, proteómica, metabolómica, epigenómica y transcriptómica espacial permite construir modelos más completos de acción terapéutica.
6. Traslación clínica
La IA puede ayudar a estratificar pacientes, integrar datos de práctica clínica real, optimizar fórmulas y estructurar conocimiento mediante grafos.
Productos, fórmulas y compuestos analizados
La revisión no describe ensayos clínicos convencionales con productos comerciales definidos, sino estudios representativos que combinan predicción computacional y validación experimental. A continuación se resumen las fórmulas, drogas vegetales o compuestos más relevantes citados.
Zuo Jin Wan
- Tipo de producto: fórmula tradicional china.
- Indicación estudiada: carcinoma hepatocelular.
- Métodos utilizados: farmacología de redes, cribado ADME y análisis de enriquecimiento de vías.
- Componentes clave predichos: quercetina y berberina.
- Dianas principales: MAPK1, PIK3CA y EGFR.
- Vías implicadas: PI3K/NF-κB y EGFR/MAPK.
- Interpretación: se propone una acción antitumoral basada en la regulación simultánea de vías proliferativas, inflamatorias y de supervivencia celular.
Xiao Jian Zhong Tang
- Tipo de producto: fórmula tradicional china.
- Indicación estudiada: cáncer gástrico.
- Métodos utilizados: farmacología de redes, análisis de interacción proteína-proteína y docking molecular.
- Componentes clave predichos: quercetina y licoagrocarpina.
- Dianas principales: IL-6, PTGS2, MMP9 y HMOX1.
- Validación descrita: los estudios in vitro confirmaron efecto inhibidor sobre células tumorales y reducción de algunas dianas previstas.
- Interpretación: el interés de esta fórmula reside en su posible acción sobre inflamación tumoral, remodelado tisular y estrés oxidativo.
Polygonati Rhizoma
- Tipo de producto: droga vegetal de la medicina tradicional china.
- Indicación estudiada: adenocarcinoma gástrico.
- Métodos utilizados: farmacología de redes asistida por IA, random forest, support vector machine, docking molecular y dinámica molecular.
- Componentes clave predichos: diosgenina, baicaleína y β-sitosterol.
- Dianas principales: AKT1, TP53 y VEGFA.
- Interpretación: el modelo sugiere posibles efectos sobre proliferación celular, apoptosis y angiogénesis tumoral.
Chu Feng Qing Pi Tang
- Tipo de producto: fórmula tradicional china.
- Indicación estudiada: esquistosomiasis.
- Métodos utilizados: LASSO, random forest, SVM-RFE, red de interacción proteína-proteína, docking molecular y dinámica molecular.
- Componentes clave predichos: wogonina, kempferol, luteolina y quercetina.
- Diana principal: TP53.
- Interpretación: la fórmula se plantea como ejemplo de aplicación de IA a enfermedades infecciosas y parasitarias, aunque la evidencia sigue siendo principalmente mecanística.
Wen San Ting
- Tipo de producto: tintura o preparación tradicional.
- Indicación estudiada: nódulo pulmonar solitario.
- Métodos utilizados: análisis de red proteína-proteína y docking molecular.
- Componente clave predicho: quercetina.
- Dianas principales: AKT1, TP53, MAPK1 y MAPK3.
- Interpretación: se propone una posible modulación de vías relacionadas con proliferación, inflamación y señalización celular.
She Xiang Bao Xin Wan
- Tipo de producto: fórmula tradicional china.
- Indicación estudiada: aterosclerosis.
- Métodos utilizados: análisis proteína-proteína y docking molecular.
- Componentes clave predichos: ácido quenodesoxicólico, ácido ursodesoxicólico, cinamaldehído, ginsenósido Rb1 y otros componentes.
- Dianas principales: MAPK3, AKT1 y STAT3.
- Interpretación: la fórmula se interpreta como un sistema multicomponente con posible acción sobre inflamación vascular, señalización metabólica y remodelado aterosclerótico.
Cepharanthine / CEP
- Tipo de producto: compuesto natural evaluado como candidato terapéutico.
- Indicación estudiada: COVID-19.
- Métodos utilizados: análisis de interacción proteína-proteína, docking molecular y dinámica molecular.
- Diana principal señalada: ACE2.
- Vía relacionada: PI3K-Akt.
- Interpretación: el estudio se presenta como ejemplo de reposicionamiento de compuestos naturales mediante IA, aunque la validación clínica no queda establecida.
Hai Zao Yu Hu Tang
- Tipo de producto: fórmula tradicional china.
- Indicación estudiada: hipertiroidismo.
- Métodos utilizados: red proteína-proteína, docking molecular y dinámica molecular.
- Componentes clave predichos: quercetina, β-sitosterol, naringenina, kempferol y wogonina.
- Dianas principales: PTPN11, PIK3CD, EGFR, HRAS, PIK3CA, AKT1, SRC, PIK3CB y PIK3R1.
- Interpretación: el modelo sugiere efectos sobre angiogénesis patológica, señalización inmune y regulación endocrina.
Quercetina
- Tipo de producto: flavonoide aislado.
- Indicación estudiada: heridas diabéticas crónicas de difícil cicatrización.
- Métodos utilizados: análisis proteína-proteína, docking molecular y dinámica molecular.
- Dianas principales: IL-6, EGFR, SRC, TNF, AKT1, JUN y MMP9.
- Vías implicadas: AGE-RAGE, IL-17, PI3K-AKT, TNF, HIF-1 y VEGF.
- Validación descrita: en modelo diabético, la quercetina redujo citocinas inflamatorias y confirmó la implicación de la vía PI3K-AKT.
- Interpretación: se plantea como compuesto con posible acción antiinflamatoria, antioxidante, proangiogénica reguladora y favorecedora de la reparación tisular.
Berberina
- Tipo de producto: alcaloide natural.
- Indicación estudiada: nefropatía diabética.
- Métodos utilizados: análisis proteína-proteína, docking molecular, dinámica molecular y aprendizaje automático.
- Componentes asociados en el modelo: armepavina, berberina, glaucina, magnoflorina, reticulina y quercetina.
- Dianas principales: ICAM1, PRKCB, IKBKB, KDR, ALOX5, VCAM1, SYK, TBXA2R, LCK y F3.
- Interpretación: la berberina aparece como ejemplo de compuesto multidiana con interés en inflamación, daño vascular, señalización renal y metabolismo glucídico.
Astragalus membranaceus
- Tipo de producto: droga vegetal, fuente de saponinas y otros metabolitos.
- Indicación estudiada: fibrosis pulmonar idiopática.
- Métodos utilizados: red proteína-proteína, docking molecular y dinámica molecular.
- Componentes clave predichos: astragalósido III, astragalósido I, (R)-isomucronulatol, peoniflorina y β-sitosterol.
- Dianas principales: AKT1, HSP90AA1 y VEGFA.
- Interpretación: se plantea una posible acción sobre remodelado tisular, angiogénesis, estrés celular y mecanismos de fibrosis.
Bu Yang Huan Wu Decoction
- Tipo de producto: decocción tradicional china.
- Indicación estudiada: fibrosis miocárdica.
- Métodos utilizados: análisis proteína-proteína y docking molecular.
- Componentes clave predichos: quercetina, luteolina, peonidina, ácido elágico y baicaleína.
- Vía principal: señalización IL-17.
- Interpretación: se propone un posible efecto sobre inflamación y remodelado fibrótico del miocardio.
Trigonella foenum-graecum
- Tipo de producto: semilla de fenogreco.
- Indicación estudiada: diabetes mellitus.
- Métodos utilizados: red proteína-proteína, docking molecular y dinámica molecular.
- Componentes clave predichos: diosgenina, luteolina y quercetina.
- Dianas principales: ESR1, CAV1, VEGFA, TP53, CAT, AKT1, IL-6 e IL-1.
- Interpretación: los resultados apuntan a posibles efectos sobre inflamación, estrés oxidativo, sensibilidad metabólica y señalización celular.
Ácido oleanólico
- Tipo de producto: triterpeno aislado.
- Indicación estudiada: obesidad.
- Métodos utilizados: análisis proteína-proteína, docking molecular y dinámica molecular.
- Dianas principales: PPARG, PPARA, MAPK3, NR3C1, PTGS2, CYP19A1, CNR1, HSD11B1 y AGTR1.
- Interpretación: se propone una acción sobre metabolismo lipídico, inflamación, señalización hormonal y regulación del tejido adiposo.
Yin Chen Wu Ling San
- Tipo de producto: fórmula tradicional china.
- Indicación estudiada: hiperlipidemia.
- Métodos utilizados: red proteína-proteína, docking molecular y dinámica molecular.
- Componentes clave predichos: quercetina, isorramnetina, taxifolina, demetoxicapilarisina y artemisinina A.
- Dianas principales: AKT1, IL-6, VEGFA y PTGS2.
- Interpretación: el modelo sugiere una posible acción sobre inflamación, metabolismo lipídico, función vascular y señalización celular.
Ganhua / LLF
- Tipo de producto: preparación tradicional evaluada en nefropatía diabética.
- Métodos utilizados: análisis proteína-proteína, docking molecular y dinámica molecular.
- Componentes clave predichos: salidrósido, apigenina y ácido torulárico.
- Diana principal: TNF.
- Interpretación: se plantea una posible acción antiinflamatoria en el daño renal asociado a diabetes.
Valor añadido del enfoque
El principal interés de esta revisión es que muestra cómo la inteligencia artificial puede pasar de una investigación descriptiva a una investigación generadora de hipótesis verificables. El esquema más sólido es el denominado circuito “predicción computacional–validación experimental”. En este modelo, la IA prioriza componentes, dianas y vías; posteriormente, el laboratorio confirma o descarta esas predicciones mediante ensayos in vitro, modelos animales, docking, dinámica molecular o análisis ómicos.
Este enfoque puede ser especialmente útil en fitoterapia y en preparados multicomponente, donde la actividad no depende necesariamente de una única molécula. También permite estudiar mejor las sinergias, la compatibilidad entre plantas, la relación dosis-efecto y la coherencia entre composición química, calidad farmacéutica y efecto biológico.
Limitaciones
La revisión insiste en varias limitaciones importantes. La primera es la calidad de los datos: muchas bases de datos presentan información incompleta, heterogénea o no actualizada. Si los datos de partida son deficientes, los modelos pueden generar predicciones erróneas, por muy sofisticados que sean.
La segunda limitación es la falta de estandarización. Muchos estudios de farmacología de redes utilizan filtros rígidos de biodisponibilidad oral o drug-likeness que pueden excluir compuestos relevantes, metabolitos activos o moléculas que actúan sinergicamente.
La tercera limitación es la ausencia de información sobre dosis. En medicina tradicional china, la proporción entre los preparados de plantas dentro de una fórmula es esencial para su eficacia y seguridad. Sin embargo, muchos modelos computacionales tratan todos los componentes como si tuvieran el mismo peso, lo que puede distorsionar los resultados.
La cuarta limitación es la interpretabilidad. Algunos modelos de aprendizaje profundo tienen un comportamiento de “caja negra” y pueden ofrecer predicciones sin explicar suficientemente la lógica biológica subyacente. Para que estos modelos sean útiles en medicina, deben ser explicables, reproducibles y validados externamente.
Conclusión
La inteligencia artificial no sustituye a la investigación farmacológica ni a los ensayos clínicos, pero puede acelerar y ordenar el estudio de fórmulas fitoterápicas complejas. Su mayor aportación consiste en traducir la lógica multicomponente y multidiana de la medicina tradicional china a un lenguaje compatible con la biología de sistemas, la farmacología moderna y la medicina de precisión.
Los ejemplos revisados como Zuo Jin Wan, Xiao Jian Zhong Tang, Polygonati Rhizoma, She Xiang Bao Xin Wan, Hai Zao Yu Hu Tang, Bu Yang Huan Wu Decoction, Trigonella foenum-graecum, Astragalus membranaceus, berberina, quercetina o ácido oleanólico, muestran que la IA puede identificar componentes activos, dianas moleculares y vías de señalización plausibles en enfermedades oncológicas, metabólicas, cardiovasculares, infecciosas, fibróticas y endocrinas.
No obstante, la aplicación clínica de estos hallazgos requiere prudencia. La mayoría de los ejemplos siguen siendo estudios de predicción, validación preclínica o investigación mecanística. El paso siguiente será trabajar con productos bien caracterizados, dosis definidas, controles de calidad rigurosos, estudios toxicológicos, validación en modelos biológicos adecuados y ensayos clínicos que permitan confirmar su relevancia terapéutica real.