Anales de la RANM

167 A N A L E S R A N M R E V I S T A F U N D A D A E N 1 8 7 9 DATOS Y ALGORITMOS QUE CURAN Dopazo J An RANM. 2026;143(02): 167 - 173 DATOS Y ALGORITMOS QUE NOS PERMITEN ENTENDER LA ENFERMEDAD Y AYUDAN A CURARLA DATA AND ALGOR I THMS THAT AL LOW US TO UNDERS TAND D I S EAS E AND HE LP CURE I T Joaquín Dopazo 1,2,3 1. Barcelonaβeta Brain Research Center (BBRC), Barcelona, España. 2. Hospital del Mar Research Institute Barcelona (HMRIB), Barcelona, España 3. CIBER Enfermedades Raras (CIBERER), Instituto de Salud Carlos III, España. Resumen La posibilidad de construir modelos virtuales de los pacientes, o gemelos digitales, representa una de las promesas más ambiciosas de la medicina de precisión. Sin embargo, el organismo humano es un sistema de enorme comple- jidad, todavía insuficientemente conocido para ser simulado de forma completa. Este artículo resume una estrategia intermedia y operativa: combinar el conoci- miento acumulado en mapas moleculares con modelos matemáticos mecanísticos, inteligencia artificial explicable y datos clínicos del mundo real. Estos enfoques permiten inferir funciones celulares, identificar mecanismos de enfermedad, priorizar dianas terapéuticas y proponer oportunidades de reposicionamiento farmacológico. A partir de ejemplos en cáncer, COVID-19 y enfermedades raras, se discute cómo los datos pueden transformarse en evidencia y conocimiento accionable. Abstract The possibility of building virtual models of patients, or digital twins, is one of the most ambitious promises of precision medicine. However, the human body is an extremely complex system and remains insufficiently understood to be fully simulated. This article summarizes an intermediate and operational strategy: combining existing knowledge encoded in molecular maps with mechanistic mathematical models, explainable artificial intelligence and real-world clinical data. These approaches make it possible to infer cellular functions, identify disease mechanisms, prioritize therapeutic targets and propose opportunities for drug repurposing. Using examples from cancer, COVID-19 and rare diseases, the article discusses how data can be transformed into evidence and actionable knowledge. Palabras clave: Gemelos digitales; Modelos mecanísticos; IA explicable; Datos del mundo real; Reposicionamiento de fármacos; Medicina de precisión. Keywords: Digital twins; Mechanistic models; Explainable AI; Real-world data; Drug repurposing; Precision medicine. Autor para la correspondencia Joaquín Dopazo Barcelonaβeta Brain Research Center (BBRC) C/ Wellington, 30 · 08005 Barcelona E-Mail: jdopazo@barcelonabeta.org DOI: 10.32440/ar.2026.143.02. rev04 R E V I S I Ó N *Fecha de lectura en la RANM INTRODUCCIÓN La medicina contemporánea se encuentra en un punto de inflexión. Durante décadas, la biomedicina ha acumulado datos molecu- lares, clínicos, epidemiológicos y de imagen a una escala sin precedentes. Al mismo tiempo, la inteligencia artificial ha demostrado una capacidad creciente para detectar patrones en conjuntos de datos complejos (1). Esta conver- gencia ha alimentado una idea especialmente atractiva: la posibilidad de construir modelos virtuales de los pacientes que permitan anticipar la evolución de una enfermedad, ensayar intervenciones in silico y seleccionar la opción terapéutica más adecuada antes de aplicarla en la práctica clínica (2). El concepto de gemelo digital procede de la ingeniería y se refiere a una réplica virtual de un objeto o sistema físico que puede ser utilizada para simular su comportamiento en condiciones alternativas. En medicina, esta idea resulta extraordinariamente sugerente, pero también problemática. Un motor, un avión o una infraes- tructura industrial pueden ser modelados porque conocemos con precisión sus componentes, sus relaciones causales y las leyes físicas que gobiernan su funcionamiento. El organismo humano, por el contrario, es un sistema multiescala, adapta- tivo, heterogéneo y sólo parcialmente conocido. Aunque se pueden construir simuladores útiles para dominios concretos, como la planificación quirúrgica o el entrenamiento clínico, todavía estamos lejos de simular de forma completa el comportamiento de un paciente real (3) Enviado*: 26.05.26 | Revisado: 30.05.26 | Aceptado: 12.06.26