Anales de la RANM

171 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 artificial, se puede proponer un flujo de trabajo (Figura 2) que ejemplifica una forma alterna- tiva de generación de conocimiento biomédico basada en la integración iterativa de conoci- miento previo, datos moleculares y validación por uso secundario de datos clínicos. En primer lugar, los mapas de enfermedad permiten formalizar el conocimiento biológico existente en forma de redes funcionales. A continua- ción, los métodos de aprendizaje automático pueden explorar grandes volúmenes de datos genómicos para identificar relaciones entre dianas terapéuticas, circuitos moleculares y funciones celulares alteradas. Finalmente, las hipótesis generadas pueden contrastarse mediante datos del mundo real, procedentes de historias clínicas electrónicas y analizados en entornos seguros. De este modo, el proceso conecta el razonamiento mecanístico con la validación poblacional, facilitando la identifi- cación de oportunidades de reposicionamiento terapéutico y cerrando un ciclo de aprendizaje continuo entre biología, datos y práctica clínica. CONCLUSIONES La construcción de gemelos digitales completos de pacientes continúa limitada por la enorme comple- jidad del organismo humano y por las lagunas persistentes en nuestro conocimiento biológico. Sin embargo, esta limitación no impide desarro- llar modelos útiles de componentes concretos del sistema. Los mapas moleculares, combinados con modelos mecanísticos, permiten traducir datos ómicos en actividad celular funcional interpre- table y asociable a fenotipos. La inteligencia artificial explicable amplía esta capacidad al ayudar a generar nuevas hipótesis sobre dianas y mecanismos de enfermedad. Finalmente, los datos clínicos del mundo real permiten contrastar esas hipótesis en poblaciones reales y cerrar el ciclo entre predicción, evidencia y decisión biomédica. La promesa no reside en sustituir la medicina por simulaciones, sino en convertir los datos en conocimiento accionable para una medicina más preventiva, precisa y racional. Figura 2. Flujo cíclico de generación y validación de conocimiento biomédico mediante ciencia de datos. El esquema resume una estrategia en tres etapas: modelado del conocimiento biológico disponible, aprendizaje a partir de grandes datos genómicos y va- lidación posterior mediante evidencia del mundo real. El ciclo ilustra cómo los modelos mecanísticos, el aprendizaje automático y los datos clínicos pueden integrarse para generar hipótesis terapéuticas y evaluarlas sin necesidad de experimentos adicionales iniciales.