Las células madre evolucionan de “burbuja” a realidad en cardiología

La Sociedad Española de Cardiología (SEC) ha celebrado recientemente su encuentro anual en Palma de Mallorca. En la sesión Desafíos en la investigación biomédica: ¿se han satisfecho las expectativas? los expertos han hecho balance de la investigación con células madre para constatar que la decepción que produjeron los primeros pasos ha sido sustituida por promesas terapéuticas sólidas con las nuevas generaciones de estudios y técnicas en este campo. Antonio Bayés-Genís, del Hospital Universitario Germans Trias i Pujol de Badalnoa, lo ha descrito así: “Son ya 20 años de investigación con células madre. La euforia inicial, que bien podría llamarse burbuja hizo que proliferaran ensayos clínicos basados en ciencia básica insuficiente e inexacta. Todo saltó por los aires en 2018 cuando se descubrió que 30 de los principales artículos del cardiólogo Piero Anversa habían sido falsificados. Ese primer capítulo de la investigación con células madre se cerró y ahora estamos con estudios de segunda y tercera generación en el manejo de la terapia celular”. Piero Anversa, de la Universidad de Harvard, había sido el autor de una serie de trabajos que inauguraron el campo de tratamientos con células madre en la especialidad de cardiología.

En la segunda generación se está estudiando el potencial de las células pluripotenciales (que pueden formar tejidos diversos, incluido el del corazón) e ingeniería de tejidos en el área de cardiología. El equipo de Bayés-Genís ha llevado a cabo un ensayo con pacientes (en fase I). En él combinan tejidos obtenidos de donantes cadáver y células madre mesenquimales obtenidas de cordón umbilical. El especialista aprecia el carácter “poético” de emplear células de personas fallecidas y de recién nacidos para crear una estructura mixta que regenera el corazón dañado. Más que de “regenerar”, una palabra que él cree que no debería emplearse en este contexto, se inclina por describir el proceso como una “reparación”. Está convencido de que la ingeniería de tejidos va a permitir reparar las escaras necróticas, las partes del músculo cardiaco que quedan dañadas. “Cada vez estamos más cerca de poder arrastrar y eliminar la fibrosis, de modo que en ese corazón rígido y con fibrosis intersticial sea posible reducir la inflamación a su mínima expresión”.

Como próximos pasos en esta línea apunta a los abordajes percutáneos (sin cirugía). “Puesto que sabemos que la tecnología en cardiología avanza a pasos agigantados, no tenemos duda de que cuando encontremos el método de reparación que demuestre fiabilidad y eficacia terapéutica, el modo de acceso será la menor dificultad”, ha dicho.

Además, ha destacado que las terapias cardiacas con ARN y exosomas (microvesículas en la parte exterior de las células) están abriéndose paso, en cierta medida gracias a la experiencia que se ha obtenido con las vacunas ARN de covid. Este tipo de abordaje permitiría hacer ingeniería de tejidos sin emplear las células enteras, sino únicamente partes de las mismas.

En la misma sesión, Enrique Lara, del Centro Nacional de Investigaciones Cardiovasculares (CNIC), ha puesto en valor el empleo de machine learning en la especialidad. El concepto de machine learning hace referencia a un subtipo de inteligencia artificial que permite estratificar a los pacientes, agruparlos en función de las características que sean relevantes para un estudio o una estrategia terapéutica y predecir cuáles van a responder a un medicamento específico.

“Es un campo de una utilidad extraordinaria, hay muchísimos datos que están en los ordenadores de los sistemas públicos -algunos en los sótanos- y la capacidad actual de análisis de los dispositivos ya ha hecho de esto una realidad. Numerosos estudios de los que se están publicando ya muestran que es posible aplicar estos algoritmos, que en el fondo no son más que estadística avanzada, para predecir respuestas a fármacos, definir pacientes que van a responder, mejorar pronósticos, etc.”, ha afirmado.

Su equipo del CNIC ha probado esta estrategia en el estudio PESA (progresión de la aterosclerosis subclínica precoz, por sus siglas en inglés). Los investigadores observaron que los métodos de análisis convencionales no eran capaces de identificar con precisión los pacientes en situación de riesgo y que, por el contrario, asignaban riesgo elevado a pacientes en los que no se daba la progresión de la enfermedad.

Por eso, recurrieron a la técnica de machine learning para evaluar el riesgo de esos pacientes con enfermedad subclínica -sin síntomas-.

Con esta estrategia han diseñado un algoritmo que puede determinar con precisión el grado de riesgo de los sujetos incluidos en el estudio.