Science

Una enfermedad por coronavirus en gatos está ayudando a los investigadores a comprender mejor cómo estos virus pueden propagarse a través del sistema inmunológico y, potencialmente, persistir en el organismo.

En un nuevo estudio de la Universidad de California, Davis, los científicos descubrieron que el virus relacionado con la peritonitis infecciosa felina (PIF) no solo infecta un tipo de célula inmunitaria, como se creía anteriormente.

El virus parece alcanzar una gama más amplia de células inmunitarias, incluidas aquellas esenciales para combatir la infección. Los investigadores señalan que esto podría ofrecer pistas valiosas para comprender el COVID prolongado y otras enfermedades inflamatorias persistentes en humanos.

La PIF en sí misma afecta únicamente a los gatos, pero se caracteriza por una inflamación severa y daño en múltiples órganos. Los síntomas también pueden persistir o reaparecer, presentando similitudes preocupantes con las enfermedades relacionadas con el coronavirus que persisten en los humanos.

El virus felino se vuelve mortal

La PIF se desencadena cuando un coronavirus felino muta dentro de algunos gatos. Si bien la mayoría de los gatos expuestos al coronavirus felino no desarrollan PIF, cuando el virus cambia a una forma dañina, los resultados pueden ser devastadores. La PIF no tratada es casi siempre fatal.

Debido a que es una enfermedad por coronavirus de origen natural que puede volverse sistémica e inflamatoria, ofrece a los científicos algo difícil de obtener en estudios humanos: acceso directo a tejidos inmunitarios infectados. Durante años, la opinión generalizada era que el virus de la PIF infectaba solo un tipo de célula inmunitaria. El equipo de UC Davis encontró evidencia de que la realidad es más compleja.

“Lo que encontramos es que, en realidad, infecta una gama mucho más amplia de células inmunitarias, incluidas aquellas que son fundamentales para combatir la infección”, afirmó el autor principal, Amir Kol, profesor asociado de la Facultad de Medicina Veterinaria de UC Davis.

Este hallazgo es significativo, ya que si un virus se propaga a través de múltiples tipos de células inmunitarias, tiene más formas de alterar la función inmunitaria y más “escondites” para persistir.

Seguimiento de la actividad viral

Los investigadores examinaron muestras de ganglios linfáticos de gatos con PIF de origen natural. Los ganglios linfáticos no son solo filtros; son centros de comando donde las células inmunitarias se reúnen, intercambian señales y coordinan las respuestas.

Dentro de esos ganglios, el equipo detectó material viral en varios tipos de células inmunitarias, incluidos los linfocitos B y los linfocitos T. Los linfocitos B son responsables de producir anticuerpos, mientras que los linfocitos T ayudan al cuerpo a identificar y destruir las células infectadas y a regular las respuestas inmunitarias de manera más amplia.

El estudio también encontró evidencia de que el virus no solo dejaba restos de material genético, sino que se replicaba activamente dentro de estas células inmunitarias, lo que sugiere que el virus podría seguir activo.

Perspectivas sobre el COVID prolongado

Uno de los principales debates en la investigación del COVID prolongado es si el virus puede persistir en el cuerpo o si deja al sistema inmunológico en un estado alterado incluso después de que la infección inicial haya pasado. Responder a esta pregunta en humanos es difícil, en parte porque los investigadores a menudo no tienen acceso a tejidos inmunitarios como los ganglios linfáticos, especialmente a lo largo del tiempo.

“Aquí es donde los gatos nos brindan una oportunidad única”, explicó Kol. “Podemos estudiar directamente los tejidos inmunitarios infectados en una enfermedad por coronavirus de origen natural, algo que es muy difícil de hacer en humanos”.

En otras palabras, la PIF ofrece un modelo natural donde los científicos pueden observar el sistema inmunológico de cerca, en lugar de inferir lo que podría estar sucediendo a partir de análisis de sangre.

Por qué pueden volver los síntomas

El estudio agrega un detalle que podría ser relevante más allá de los gatos. Los investigadores encontraron que rastros del virus podían permanecer en las células inmunitarias incluso después de que terminara el tratamiento antiviral y los gatos parecieran sanos. Si bien esto no significa automáticamente que la recaída sea inevitable, plantea un mecanismo plausible para explicar por qué los síntomas podrían regresar o por qué podría persistir una disfunción inmunitaria.

Algunas células inmunitarias pueden vivir durante años. Si las células infectadas sobreviven durante mucho tiempo, podrían actuar como reservorios a largo plazo, manteniendo el sistema inmunológico ligeramente activado o brindando al virus otra oportunidad de reactivarse.

Medicina veterinaria y humana

Los autores argumentan que la PIF podría convertirse en un modelo valioso para estudiar la enfermedad por coronavirus a largo plazo. El objetivo no es afirmar que la enfermedad en gatos y la enfermedad en humanos son idénticas, ya que no lo son. Sin embargo, los problemas del sistema inmunológico –inflamación sistémica, afectación de múltiples órganos y la posibilidad de persistencia– hacen de la PIF una herramienta útil para estudiar cómo un coronavirus puede interactuar con los tejidos inmunitarios a lo largo del tiempo.

En última instancia, comprender cómo se propaga la PIF a través del sistema inmunológico podría ayudar a los científicos a comprender mejor la inflamación crónica y los síndromes postvirales en humanos, incluido el COVID prolongado. El estudio se publicó en la revista Veterinary Microbiology.

—–

¿Te gustó lo que leíste? Suscríbete a nuestro boletín para recibir artículos interesantes, contenido exclusivo y las últimas actualizaciones.

Visítanos en EarthSnap, una aplicación gratuita traída por Eric Ralls y Earth.com.

—–

Una mala noche de sueño puede dejarnos con sensación de niebla al día siguiente. Sin embargo, investigaciones recientes sugieren que una sola noche de descanso también podría revelar pistas sobre enfermedades que se manifestarán años después.

En una prueba, un sistema de inteligencia artificial utilizó señales fisiológicas nocturnas para estimar el riesgo de una persona de desarrollar más de 100 afecciones de salud futuras.

El modelo, denominado SleepFM, fue desarrollado por investigadores de Stanford Medicine y colaboradores. Fue entrenado con casi 600.000 horas de datos de polisomnografía de aproximadamente 65.000 personas, utilizando el tipo de estudio nocturno que rastrea el cerebro, el corazón, la respiración, el movimiento y más.

Un tesoro de información en los datos del sueño

La polisomnografía a menudo se trata como una herramienta clínica: se realiza el estudio, se puntúan las etapas del sueño, se busca apnea del sueño y se continúa. El equipo argumenta que esto solo representa una pequeña parte de lo que contienen estas grabaciones.

“Registramos una cantidad asombrosa de señales cuando estudiamos el sueño”, afirmó el coautor principal Emmanuel Mignot, profesor de medicina del sueño en Stanford. “Es una especie de fisiología general que estudiamos durante ocho horas en un sujeto completamente cautivo. Es muy rico en datos.”

El problema, hasta hace poco, era que los humanos y el software estándar solo podían procesar una cantidad limitada de esta complejidad.

La inteligencia artificial cambia esta ecuación, al menos en principio, al aprender patrones a partir de miles de noches y múltiples sistemas corporales a la vez.

Estudios del sueño con inteligencia artificial

La inteligencia artificial médica ha experimentado un auge en campos como la radiología y la cardiología. El estudio del sueño se ha quedado atrás, a pesar de que se encuentra en la intersección de la función cerebral, el metabolismo, la respiración y la salud cardiovascular.

El coautor principal del estudio, James Zou, es profesor asociado de ciencia de datos biomédicos.

“Desde la perspectiva de la inteligencia artificial, el sueño es relativamente poco estudiado. Hay mucho trabajo de inteligencia artificial que se centra en la patología o la cardiología, pero relativamente poco en el sueño, a pesar de que el sueño es una parte tan importante de la vida”, dijo Zou.

Esta brecha moldeó el enfoque del equipo. En lugar de construir un modelo para una sola tarea, desarrollaron un modelo base diseñado para aprender patrones amplios primero y adaptarse a predicciones específicas más adelante.

Enseñando a la IA el lenguaje del sueño

SleepFM se entrenó como un modelo de lenguaje grande, pero en lugar de palabras, aprendió de pequeños fragmentos de fisiología.

Las grabaciones de polisomnografía se dividieron en segmentos de cinco segundos, para que el modelo pudiera procesar noches largas como secuencias y aprender qué sigue normalmente a qué. “SleepFM está aprendiendo esencialmente el lenguaje del sueño”, dijo Zou.

El modelo incorporó múltiples canales a la vez, incluidas señales como la electroencefalografía para la actividad cerebral, la electrocardiografía para los ritmos cardíacos, la electromiografía para la actividad muscular, además de datos de pulso y flujo de aire.

Entrenando un modelo para la fiabilidad

El objetivo no era solo leer cada canal, sino comprender cómo se relacionan entre sí.

Para ello, los investigadores crearon un método de entrenamiento diseñado para que el modelo completara los espacios en blanco. Se ocultaría una corriente de datos y el modelo tendría que reconstruirla a partir de las demás.

“Uno de los avances técnicos que logramos en este trabajo es descubrir cómo armonizar todas estas diferentes modalidades de datos para que puedan unirse y aprender el mismo lenguaje”, dijo Zou.

Después del entrenamiento, el equipo ajustó SleepFM para tareas familiares de la medicina del sueño. Probaron si podía clasificar las etapas del sueño y evaluar la gravedad de la apnea del sueño, entre otras medidas estándar.

En esos puntos de referencia, el sistema funcionó tan bien como o mejor que los modelos líderes que ya se utilizan en el campo.

Este paso fue importante porque sugirió que el modelo no solo estaba aprendiendo ruido. Podía realizar los conceptos básicos de manera confiable antes de que se le pidiera que hiciera algo más ambicioso.

Datos del sueño y riesgo de enfermedad

Luego llegó el momento decisivo: predecir enfermedades futuras a partir de una sola noche de sueño. Para ello, los investigadores emparejaron los datos del sueño con los resultados médicos a largo plazo, utilizando décadas de registros de pacientes de una importante clínica del sueño.

El Centro de Medicina del Sueño de Stanford fue fundado en 1970 por el difunto William Dement. Para este proyecto, el conjunto de datos más grande provino de aproximadamente 35.000 pacientes de entre 2 y 96 años cuyas pruebas de polisomnografía se registraron entre 1999 y 2024.

El equipo emparejó esos estudios del sueño con registros electrónicos de salud, proporcionando hasta 25 años de datos de seguimiento para algunos individuos.

SleepFM escaneó más de 1.000 categorías de enfermedades e identificó 130 que podía predecir con una precisión razonable utilizando solo datos del sueño.

Prediciendo enfermedades años antes

Los resultados más sólidos se informaron para cánceres, complicaciones del embarazo, afecciones circulatorias y trastornos mentales, con un índice C superior a 0,8 en esos grupos.

El índice C es una forma de puntuar qué tan bien un modelo clasifica el riesgo entre las personas. No se trata de certeza para una persona. Se trata de si el modelo tiende a colocar a las personas con mayor riesgo por encima de las personas con menor riesgo.

“Para todos los pares posibles de individuos, el modelo da una clasificación de quién es más probable que experimente un evento, como un ataque cardíaco, por ejemplo, antes. Un índice C de 0,8 significa que el 80% de las veces, la predicción del modelo concuerda con lo que realmente sucedió”, dijo Zou.

El modelo funcionó especialmente bien para varios resultados específicos, incluyendo la enfermedad de Parkinson, la demencia, la enfermedad cardíaca hipertensiva, el ataque cardíaco, el cáncer de próstata, el cáncer de mama y la muerte.

“Nos sorprendió gratamente que, para una variedad de afecciones, el modelo sea capaz de hacer predicciones informativas”, dijo Zou.

Lo que el modelo “ve”

Incluso con números de rendimiento sólidos, la pregunta obvia sigue siendo: ¿qué está detectando exactamente SleepFM? El equipo dice que están trabajando en herramientas de interpretación y también pueden intentar mejorar las predicciones agregando datos de dispositivos portátiles.

“No nos lo explica en inglés”, dijo Zou. “Pero hemos desarrollado diferentes técnicas de interpretación para averiguar qué está mirando el modelo cuando hace una predicción de enfermedad específica.”

Un patrón ya destaca. Las predicciones más precisas no provinieron de un solo canal. Vinieron de comparar canales y detectar discrepancias.

“La mayor cantidad de información que obtuvimos para predecir enfermedades fue contrastando los diferentes canales”, dijo Mignot.

En otras palabras, puede ser que el cuerpo esté descoordinado lo que señale problemas. Un cerebro que parece estar dormido mientras el corazón parece “despierto”, por ejemplo, podría indicar que algo más profundo está mal.

El estudio se publicó en la revista Nature Medicine.

—–

¿Te gustó lo que leíste? Suscríbete a nuestro boletín para obtener artículos interesantes, contenido exclusivo y las últimas actualizaciones.

Visítanos en EarthSnap, una aplicación gratuita traída por Eric Ralls y Earth.com.

—–