✨︎ Resumen (TL;DR):
- Investigadores de University College London (UCL) y la Universidad de Cambridge reprodujeron 23 de 31 respuestas al tratamiento, una concordancia del 74%.
- Los datos provienen de PARTNER, un ensayo de fase 2/3 que comparó quimioterapia sola con quimioterapia combinada con olaparib.
- El análisis posterior, limitado a 13 casos cuyos modelos acertaron, señaló posibles mejoras para 12 y una respuesta patológica completa para 10; ninguna paciente recibió esas combinaciones.
Investigadores de University College London (UCL) y la Universidad de Cambridge desarrollaron gemelos digitales de tumores con datos genéticos para simular tratamientos contra el cáncer de mama triple negativo. El sistema reprodujo correctamente la respuesta al tratamiento de 23 de 31 pacientes, una concordancia del 74%, y las simulaciones señalaron posibles mejoras para 12 de 13 casos seleccionados. Ninguna paciente recibió esas combinaciones durante esta evaluación; las propuestas todavía requieren validación clínica.
El trabajo se publicó el 26 de octubre de 2026 en Cell Reports Medicine. El equipo construyó las versiones informáticas de los tumores con datos genéticos. Cada modelo simuló el tratamiento que recibió la paciente y un control sin tratamiento.
Los datos proceden de PARTNER, un ensayo de fase 2/3 que comparó quimioterapia sola con quimioterapia combinada con olaparib. Según Cancer Research UK, el ensayo reclutó participantes entre 2016 y 2023 y publicó resultados en 2024 y 2025. El estudio de UCL y Cambridge analiza la información de ese ensayo.
Un gemelo digital de un tumor es un modelo informático construido con datos genéticos que simula el tratamiento de una paciente y un control sin tratamiento.
El 74% refleja una predicción retrospectiva
El artículo científico desglosa el resultado en dos grupos. El modelo acertó en 10 de 14 pacientes con respuesta patológica completa y en 13 de 17 pacientes sin esa respuesta. Los ocho casos restantes fueron predicciones incorrectas.
El 74% mide la concordancia con respuestas a tratamientos que las pacientes ya habían recibido. Es una evaluación retrospectiva de la capacidad predictiva. No mide cuántas pacientes mejorarían si un equipo médico eligiera la terapia siguiendo las recomendaciones del sistema.
La respuesta patológica completa es un resultado que un patólogo determina al examinar al microscopio muestras obtenidas después del tratamiento, mediante una cirugía o una biopsia, para comprobar si persisten células cancerosas. En este trabajo, el resultado buscado era la ausencia de cáncer invasivo en la mama y los ganglios linfáticos.
Las 10 respuestas completas que propusieron los gemelos digitales representan una hipótesis sobre ese resultado. Confirmarlas exigiría administrar los tratamientos a pacientes reales y observar qué sucede después.
El filtro redujo el análisis a 13 casos
Para buscar tratamientos adicionales, el equipo conservó únicamente los modelos que habían acertado en la predicción inicial. Así, el análisis de los tumores sin respuesta completa quedó limitado a 13 casos seleccionados entre 17 pacientes.
En ese grupo, las simulaciones señalaron posibles mejoras para 12 pacientes y una respuesta patológica completa para 10 mediante tratamientos adicionales. Las combinaciones se evaluaron solo en computadora; las pacientes no las recibieron como parte de esta evaluación. Las otras cuatro pacientes sin respuesta completa quedaron fuera del análisis posterior.
El dato de 12 de 13 corresponde a un grupo filtrado por el acierto inicial. No describe el desempeño del modelo frente a las 17 pacientes sin respuesta completa.
La IA simbólica deja visible su razonamiento
La IA simbólica es un enfoque que representa interacciones entre genes y proteínas mediante reglas lógicas para examinar por qué el modelo propone una intervención. UCL destaca que esta estructura permite revisar el razonamiento de la plataforma.
Jasmin Fisher, investigadora del UCL Cancer Institute, la describe como una herramienta de apoyo al criterio clínico. Un médico podría descartar una opción por su toxicidad.
Los autores reconocen límites concretos: la muestra es pequeña, el modelo omite componentes del entorno del tumor relevantes para la inmunoterapia y no calcula dosis ni calendarios óptimos.
Los autores proponen usar las simulaciones para priorizar hipótesis que después pasen por validación funcional y clínica prospectiva. Hasta entonces, las 10 respuestas completas adicionales son predicciones computacionales, no resultados observados en pacientes.
