¿Puede la IA descifrar el intestino? : Machine Learning en la investigación del microbioma

El microbioma humano es un consorcio compuesto predominantemente por bacterias, virus y hongos que residen en diversos nichos ecológicos, desde el oral hasta el ocular, nasal, cutáneo y el intestinal. El microbioma intestinal alberga la máxima diversidad y abundancia de microorganismos debido a la disponibilidad de nutrientes y a factores ambientales que favorecen su colonización. Varios experimentos realizados en ratones libres de gérmenes han demostrado el papel crítico de los microbios intestinales; sin ellos, estos ratones son inmunológicamente extremadamente débiles y presentan graves alteraciones en varios sistemas orgánicos. 

Este masivo “órgano invisible”, que supera en número a los genes humanos por más de 100 veces, es esencial para el funcionamiento saludable del cuerpo. Estos microbios poseen propiedades para sintetizar metabolitos esenciales, actuando así como un iniciador de complejas vías metabólicas y funcionales. Por tanto, está bien establecido, basado en años de investigación dedicada en diversos modelos, que el microbioma intestinal es una entidad importante, y estudiar la diversidad y la abundancia de estos microorganismos puede proporcionar información sobre la función corporal y su estrecha relación con la salud y el bienestar.

La conexión entre la salud intestinal y las enfermedades crónicas

La evidencia más temprana del microbioma intestinal asociada con enfermedades crónicas se remonta al 500 a. C., cuando los chinos practicaban el tratamiento de diversas enfermedades usando una “sopa dorada” que básicamente era materia fecal proveniente de un donante sano. Hoy en día, ha ganado popularidad entre varias organizaciones de investigación y centros de salud bajo el nombre de “Fecal Microbiome Transplant” o simplemente FMT. 

La FDA ha aprobado ahora el uso de FMT en el tratamiento de infección recurrente por Clostridium difficile.Existe una creciente relación entre el microbioma intestinal y diversas enfermedades que abarcan desde la salud metabólica, inmunológica, neurológica, psicológica y gastrointestinal. Filosóficamente, todos nacemos como una pizarra limpia, con nuestra primera exposición a microbios en el momento del parto. Sin embargo, a diferencia de los genes, nuestros microbios son dinámicos y están influenciados por varios factores externos como la dieta, los medicamentos, la salud física, la salud mental, el ejercicio y otros factores sociales y de estilo de vida que constantemente impactan a estas bacterias intestinales. 

La investigación durante las últimas dos décadas se ha incrementado exponencialmente debido a los avances en la tecnología de secuenciación de ADN. La pregunta era sencilla: ¿cómo difiere el microbioma entre individuos sanos y aquellos con una enfermedad específica? Las respuestas que surgieron crearon todo un nuevo campo de la ciencia llamado metagenómica que caracteriza el perfil microbiano en el intestino usando secuenciación de próxima generación (NGS). La clasificación taxonómica reveló que ciertos microbios estaban elevados en el estado de enfermedad, mientras que otros estaban disminuidos respecto a la cohorte sana. 

En el análisis, se infirió que las bacterias que se encontraban aumentadas pertenecen a aquellas bacterias proinflamatorias que están asociadas con la producción de citoquinas inflamatorias o aquellas que tienen el potencial de degradar la capa protectora de mucina, alterando así la integridad de la barrera intestinal, o aquellas que producen una cantidad excesiva de gases o ciertas toxinas que pueden alterar vías funcionales o interferir con la motilidad intestinal y el tránsito intestinal. 

Por otro lado, las bacterias que estaban disminuidas en el grupo con enfermedad pertenecían al grupo “el antiinflamatorio” que estaban asociadas con la producción de ácidos grasos de cadena corta esenciales, vitaminas microbianas, neurotransmisores y enzimas implicadas en la digestión, la descomposición de carbohidratos complejos y la regulación de la comunicación entre el intestino y diversos sistemas orgánicos; intestino-cerebro, intestino-piel, intestino-hígado, intestino-corazón, y así sucesivamente. 

Por lo tanto, la relación entre microbios y enfermedades es muy estrecha. En la mayoría de los casos, el misterio de la causa y el efecto aún permanece. ¿Los microbios causaron la enfermedad, o la enfermedad cambió el microbioma? ¡El misterio de la gallina o el huevo es un debate de larga data!

Descodificando billones de interacciones microbianas: un reto

Los microbios no actúan de forma aislada. Rara vez hemos oído que una sola bacteria esté asociada con una función metabólica específica. Así como los humanos y otros organismos biológicos tienen sus familias, también las tienen los microbios. Existe una comunicación constante entre bacterias que puede ser de efectos positivos, como en el mutualismo o la simbiosis, o perjudicial en forma de parasitismo o exclusión competitiva, donde los microbios compiten por espacio y nutrientes. 

Para comprender el microbioma en su totalidad, se requieren varios pasos: desde el manejo de la muestra hasta el aislamiento de ADN, la clasificación bacteriana y la identificación de las vías funcionales que se han alterado como consecuencia. La producción del neurotransmisor serotonina, por ejemplo, no es una reacción directa. La principal forma en que el microbioma dicta la producción de serotonina es actuando como un panel de conmutación molecular para las células enterocromafines del huésped. Esto se logra mediante la conversión de la fibra dietética en butirato por acción bacteriana, lo que a su vez regula el gen TPH-1 para convertir el triptófano en serotonina.

Por qué la investigación del microbioma genera una tormenta de datos

Uno de los sistemas bacterianos modelo más estudiados, Escherichia coli, ha sido investigado durante más de 50 años, y aun así no lo hemos entendido por completo. El intestino, que alberga más de 10^13 microbios, es una cultura heterogénea compuesta predominantemente por bacterias, seguidas por virus y hongos. Eso solo amplifica la complejidad de manera exponencial. Cabe destacar que estos microbios tienen redes intrincadas y comunicación cruzada. Por tanto, la mera identificación de estos microorganismos ya no es suficiente; lo importante es la integración de la taxonomía microbiana, la diversidad, los metabolitos, las proteínas y, lo más importante, su interacción entre sí y con el sistema inmunitario del huésped.

De metagenómica a multi-ómicas: La explosión de datos biológicos 

Un único conjunto de datos metagenómicos puede generar gigabytes de lecturas de secuenciación que requieren clasificación taxonómica, anotación funcional e interpretación estadística. Cuando se integra con capas de datos metaproteómicos, metabolómicos y metatranscriptómicos en un marco multi-ómico, la carga analítica se vuelve computacionalmente difícil. Los métodos analíticos tradicionales tienen problemas con estos complejos conjuntos de datos microbioma de alta dimensión. El verdadero desafío no es el volumen. Es la estructura. Este es precisamente el espacio problemático donde la Inteligencia Artificial (IA) sobresale.

Entra la Inteligencia Artificial: Enseñando a las máquinas a leer patrones microbianos

La IA ofrece un paradigma para permitir conocimientos de mayor resolución, escalables y más predictivos sobre las complejas interacciones huésped–microbioma. Para abordar el desafío de las canalizaciones bioinformáticas estándar al manejar datos microbioma heterogéneos y a gran escala, se adoptan cada vez más enfoques basados en IA para el procesamiento, la representación y la interpretación de datos, ofreciendo soluciones más eficientes y escalables para el análisis traslacional e integrador. Es importante fusionar los datos multi-ómicos antes del entrenamiento del modelo, típicamente concatenando diferentes características en una matriz unificada.

En términos generales, el Aprendizaje Automático, un subconjunto de la IA, se ha utilizado y estudiado ampliamente en el contexto de la investigación del microbioma para el reconocimiento, la clasificación y la predicción de patrones. Los métodos clásicos de ML que entran en el aprendizaje supervisado incluyen modelos de regresión lineal, máquinas de vectores de soporte y clasificación por random forest, los cuales han funcionado bien en conjuntos de datos de microbioma. Estos métodos se han utilizado de forma consistente en estudios de predicción de disbiosis del huésped, ofreciendo mayor potencia estadística que los métodos convencionales. Por otro lado, las técnicas no supervisadas abarcan métodos para reducir la dimensionalidad y simplificar la interpretación humana de los datos. En términos generales, en los algoritmos de agrupamiento (clustering) las muestras con perfiles microbianos similares se agrupan, mientras que las técnicas de regresión usan estos perfiles para predecir resultados clínicos.

Deep Learning es una clase de ML que imita cómo funciona el cerebro humano (red neuronal) conectando nodos (neuronas) en una red, lo que progresivamente da lugar a una red multicapa (de ahí el nombre de redes neuronales profundas). Esto puede permitir la extracción automática de características significativas con una entrada manual prácticamente despreciable. 

Cómo la IA identifica firmas microbianas ocultas

Hoy hemos progresado a la era del Big Data, donde el diseño del estudio, la metodología y las estadísticas complejas pueden ser llevados a cabo por varias herramientas de IA. Sin embargo, en el caso de los datos de microbioma, el papel crítico de la IA es convertir estos datos complejos y a gran escala en conocimientos significativos que tengan aplicación traslacional o clínica. El deep learning y los modelos de aprendizaje de lenguaje (LLMs) son útiles para descifrar mecanismos moleculares, incluida la anotación funcional y la generación de moléculas. A nivel de comunidad, la combinación de modelos de IA con modelos matemáticos tradicionales ayuda a dilucidar la composición y función de la comunidad microbiana. A nivel de especie, los enfoques de IA proporcionan comprensión sobre la funcionalidad de las especies y su impacto en la salud del huésped. Además, a nivel molecular, los modelos de IA influyen en los datos de microbioma a gran escala para la anotación funcional, la minería de genes y la revelación de mecanismos regulatorios.

A continuación se muestran los distintos niveles en los que los modelos de ML se pueden explotar para identificar firmas basadas en el microbioma junto con algunos estudios destacados:

1. Diagnóstico de enfermedades: Clasificación de CRC, IBD, IBS, CVD, obesidad y COVID-19 a partir de una sola muestra de heces (Su et al., Nat Comm 2022); metaanálisis de CRC (Wirbel et al., Nat Medicine 2019); firmas en CAD, IBD y cirrosis hepática (Tierney et al., Nat Comm 2021)

2. Predicción de enfermedades: Estudio de respuesta glucémica personalizada (Zeevi et al., Cell 2015); enfermedades cardiometabolómicas (Fromentin et al., Nat Medicine 2022); LASSO multi-ómico para Diabetes Tipo 2 incidente (Carrasco-Zanini, et al., Diabetologia 2023); Cáncer colorrectal de inicio temprano (Kong et al., Gut 2023)

3. Pronóstico de enfermedades: TOPOSCORE para la predicción de supervivencia en inmunoterapia (Davar, Dzutsev et al., Science 2021); Andrews et al., Nature Medicine (2021); toxicidad por inhibidores de puntos de control inmunitario en pacientes con melanoma (Andrews et al., Nature Medicine 2021)

4. Tratamiento de enfermedades: Selección de clase biológica en pacientes con IBD (Lee et al., Cell Host & Microbe 2021); dinámica microbioma–metaboloma en un programa de manejo de la obesidad (Wu H, Bäckhed F et al Nature Medicine, 2025)

Reconocimiento de patrones más allá de la capacidad analítica humana

La multidimensionalidad de la interpretación de la ciencia microbiana supera la capacidad analítica humana para captar patrones diferenciales sutiles pero significativos. El poder de la IA es descubrir estos patrones multicapa identificando redes de co-abundancia y revelando patrones temporales y dinámicos longitudinales. Las aplicaciones clínicas de los hallazgos del microbioma solo pueden ser productivas cuando se combinan con un archivo de metadatos detallado y completo que cubra detalles de demografía, nacionalidades, comorbilidades, medicamentos, alergias, patrones dietéticos y varios otros marcadores sanguíneos, características de imagen e histopatológicas utilizadas para el diagnóstico de la enfermedad. Esta enorme tarea de combinar metagenómica con datos relevantes para identificar patrones de predicción solo puede lograrse mediante modelos de IA.

Aplicaciones de Machine Learning que transforman la ciencia del microbioma

Predicción de enfermedades y diagnóstico temprano

En contextos de enfermedades gastrointestinales y sistémicas, se están desplegando modelos de ML para detectar estados microbianos patológicos mucho antes del inicio de los síntomas clínicos. Las enfermedades relacionadas con el estilo de vida, como la obesidad, la diabetes tipo II, la esteatosis hepática y las enfermedades autoinmunes como las enfermedades inflamatorias intestinales, son dolencias crónicas desencadenadas por varios factores. De naturaleza idiopática, estas enfermedades están fuertemente asociadas con la disbiosis microbiana. Los modelos de IA también se han convertido en prometedoras herramientas de cribado no invasivas para la detección temprana del cáncer. Los modelos de ML han demostrado, con muy alta sensibilidad y especificidad, discriminar cohortes que han progresado a cáncer colorrectal, de páncreas y hepatocelular respecto a controles sanos.

Medicina de precisión y atención sanitaria personalizada

Hoy el mundo depende de la atención sanitaria personalizada. Los días del modelo “talla única” ya no son aplicables. La industria sanitaria, que básicamente abarca a clínicos e investigadores, ha comprendido que cada paciente es diferente y que la medicina de precisión es clave. Hipócrates fue el primero en mencionar “Todas las enfermedades comienzan en el intestino”; y llevando eso adelante, la importancia de la dieta y la nutrición en la configuración de los microbios es extremadamente fundamental. El tipo adecuado de alimento es necesario para nutrir el tipo adecuado de bacterias. La relación entre la dieta y el microbioma es bidireccional y un ciclo vicioso que además se entrelaza con factores externos del huésped y otros hábitos de vida y sociales. El microbioma residente, que forma el núcleo de un individuo, crea un nicho ambiental que permite a las bacterias colonizar y proliferar. Además, varios estudios han demostrado cómo las respuestas a fármacos, así como las quimioterapias, pueden verse influenciadas por la naturaleza de los microbios intestinales. La trayectoria de la progresión de la enfermedad nunca es la misma para todos los pacientes, y esto está fuertemente condicionado por los microbios que desempeñan un papel —en un campo nuevo y emergente denominado “pharmacomicrobiomics”. Por lo tanto, la personalización es clave al diseñar la dieta y la medicación que sean “basadas en el microbioma”.

El eje intestino-cerebro y la salud neurológica

El microbioma intestinal tiene una fuerte conexión con el sistema nervioso central a través del eje intestino-cerebro. La serotonina no solo desempeña un papel en actividades neurológicas y psicológicas, sino que también ha despertado mucho interés por su papel en el ámbito gastrointestinal; lo que refuerza la idea de que el 90% de la serotonina producida en el cuerpo proviene del intestino. La vía mecánica que vincula la disbiosis del microbioma intestinal con condiciones neurológicas y psiquiátricas se está reconociendo cada vez más y no se limita a la síntesis de neurotransmisores, sino también a través de la integridad comprometida de la barrera intestinal, que se asocia con esquizofrenia, Alzheimer, Parkinson y el trastorno del espectro autista. Investigadores líderes a nivel mundial han asociado cómo una intervención, ya sea con dieta, bacterias probióticas o FMT, puede usarse como métodos efectivos para complementar la terapia médica convencional.

El eje intestino-cerebro no es solo una teoría; ya se están utilizando bacterias específicas para influir en el estado de ánimo y la cognición.

Aquí está la ciencia clínica detrás de los psicobióticos y lo que significa para la salud mental.

→ Leer: Psicobióticos y salud mental | El vínculo intestino-cerebro

Descubrimiento de fármacos e innovación farmacéutica

El microbioma representa un reservorio poco explorado de compuestos bioactivos y actividades enzimáticas relevantes para el metabolismo de fármacos. En comparación con la identificación tradicional de biomarcadores, los algoritmos basados en IA integran tecnologías de secuenciación de vanguardia con el procesamiento del lenguaje natural (NLP). Un algoritmo típico de ML comprende dos fases prominentes: la fase de entrenamiento durante la cual se construye un modelo robusto usando datos etiquetados o conocidos, seguida de la fase de prueba que utiliza estos datos entrenados para predecir resultados con datos no etiquetados o desconocidos. Las métricas de rendimiento medidas por AUROC (area under the receiver operating characteristic curve) para clasificación, F1-Score para precisión y recall y el error cuadrático medio para análisis de regresión pueden ayudar a evaluar la exactitud del descubrimiento de biomarcadores y en la predicción de la dinámica microbiana. La IA explicable o XAI son los marcos más nuevos que ayudan a decodificar “la caja negra” de la IA para proporcionar una comprensión más fiable y completa de qué taxones microbianos o vías funcionales están impulsando el riesgo de enfermedad.

Tecnologías que impulsan la investigación del microbioma impulsada por IA

Hoy, mientras estamos en la fase logarítmica de generación masiva de datos, se puede añadir el sufijo “ómicas” a todo análisis posible. El advenimiento de NGS nos ha permitido comprender el ADN, el ARN y las proteínas con profundidades y precisión fenomenales. Las tecnologías de secuenciación por amplicones, que incluyen 16s-rRNA y la secuenciación del espaciador internamente transcrito (internal transcribed spacer), siguen siendo ampliamente utilizadas debido a su rentabilidad y escalabilidad, mientras que la metagenómica de genoma completo o shotgun ofrece una visión más detallada y completa con mayor resolución y capacidad funcional, aunque a un coste más alto.

El cambio de la investigación convencional del microbioma hacia la biología de sistemas predictiva requiere la integración de conjuntos de datos biológicos diversos. Aquí es exactamente donde la IA puede dominar el manejo de estos conjuntos de datos masivos, complejos y heterogéneos que incluyen metagenómica (nombra los taxones bacterianos y proporciona abundancia relativa), transcriptómica (revela qué genes se están transcribiendo activamente en el huésped), proteómica (para medir las proteínas funcionales que se están sintetizando) y metabolómica (para detectar la presencia y cuantificar los subproductos bioquímicos que interactúan con el huésped). La idea es ir más allá de una sola capa de datos (en este caso, solo el ADN microbiano) y descubrir patrones biológicos latentes y armonizar el “exposoma” para extraer datos clínicamente y epidemiológicamente significativos.

Oportunidades para las industrias farmacéutica y biotecnológica

La terapéutica del microbioma es una intervención destinada a ofrecer opciones de tratamiento novedosas que aprovechan el microbioma humano, abriendo nuevas vías para la expansión del mercado. Existe una necesidad creciente de tratamientos eficaces debido al aumento de la prevalencia de enfermedades gastrointestinales, enfermedades metabólicas, enfermedades autoinmunes y enfermedades psicológicas. La investigación en curso también explora el potencial de las terapias del microbioma en el tratamiento del cáncer. Extensos estudios de mercado realizados por firmas líderes han documentado un tamaño de mercado de US$ 375.92 Million que crecerá hasta 813.38 Million para 2030 con un CAGR global de 10.1%.

Según diversos segmentos, el microbioma como medicamento puede dividirse por Tipo (Therapeutics/Procedure), por aplicación (por enfermedad) o por usuario final (Hospitals and Clinics/ Home care). Las industrias biotecnológicas también buscan crear consorcios probióticos personalizados basados en informes del microbioma intestinal que siguen un modelo direct-to-consumer. Muchas de estas plataformas suelen aprovechar modelos de ML entrenados con miles de conjuntos de datos individuales de microbioma-dieta-resultados metabólicos para generar orientación nutricional personalizada dirigida a optimizar la diversidad intestinal y crear un entorno antiinflamatorio para mejorar resultados de salud específicos.

La IA mapea el microbioma. Los productos bioterapéuticos vivos lo aplican clínicamente.

Así es como los LBPs están convirtiendo la ciencia del microbioma en medicamentos regulados y listos para el mercado.

→ Leer: Productos bioterapéuticos vivos: seguridad clínica, regulación y potencial de mercado 

Los desafíos que la IA aún no puede resolver por completo

El sector sanitario ha sido una de las industrias más beneficiadas con el rápido crecimiento y el avance tecnológico del hardware y el software informático. Esto ha facilitado la digitalización de los datos de salud, abriendo nuevas vías para el desarrollo de modelos computacionales y oportunidades para utilizar sistemas de IA para obtener conocimientos más profundos a partir de los datos. La aparición de dispositivos wearables que pueden cuantificar la salud física, la dieta y parámetros de estilo de vida, junto con dispositivos médicos que pueden cuantificar aspectos conductuales, sociales y ambientales externos, ha abierto oportunidades a las que el mundo nunca había estado expuesto antes. La integración de esta gran cantidad de información con la bioinformática y la metagenómica, especialmente con IA, faculta a los investigadores para descubrir patrones complejos y redes dentro de grandes conjuntos de datos que antes eran difíciles de discernir.

A pesar del progreso fenomenal y del potencial de la IA, este campo aún enfrenta obstáculos que dificultan su integración fluida en la atención sanitaria real.

Falta de conjuntos de datos estandarizados: Las discrepancias en la recolección y conservación de muestras, el registro de datos, las metodologías de secuenciación y el preprocesamiento pueden introducir sesgos severos que afectan la precisión y fiabilidad posteriores de las predicciones de la IA. La solución a esto es, en primer lugar, formar al humano antes de entrenar a la IA. Esto incluye un esfuerzo colaborativo multicéntrico entre disciplinas para estandarizar protocolos y educar a médicos, enfermeras, investigadores, bioinformáticos, científicos de datos, estadísticos, dietistas así como a los proveedores de atención sanitaria para que estén al día con la última tecnología.

1. Variabilidad biológica entre poblaciones: El desafío de la variabilidad de cohorte es común a cualquier cuestión de salud. El microbioma está altamente influenciado por la genética, la geografía y el entorno. Por tanto, conjuntos de datos a gran escala que involucren biomarcadores integrados con ML en una población definida pueden no ser aplicables al resto del mundo y no pueden considerarse investigaciones revolucionarias a menos que la IA pueda funcionar mediante una integración multimodal.

2. Sesgo de datos y preocupaciones sobre reproducibilidad: El principal desafío de integrar la IA en la investigación del microbioma es la representación de “muestras reales” en el conjunto de datos de entrenamiento que se utilizará para crear el modelo de predicción. A menudo el tamaño de la muestra es pequeño y menos diverso. Para superar esta deficiencia, es imperativo validar los algoritmos derivados de estudios retrospectivos y de un solo centro y promover la validación cruzada entre múltiples centros y en estudios prospectivos

3. Preocupaciones regulatorias y éticas en torno a los datos biológicos: Mientras el mundo lucha con la privacidad y la seguridad de los datos, los datos del microbioma también plantean inquietudes respecto a la propiedad. La transparencia, el consentimiento informado y el entorno regulatorio para el almacenamiento e intercambio de datos son imperativos. De hecho, la IA puede ser una forma de combatir las preocupaciones sobre violaciones de la privacidad de los datos médicos. Esto puede perseguirse mediante modelos generativos de IA que pueden crear datos de pacientes sintéticos que sean realistas y, sin embargo, no estén relacionados con individuos reales.

4. El costo de la IA: Aunque la IA ofrece más ventajas que desafíos, sigue siendo un área menos explorada. La limitación es el coste. El almacenamiento, mantenimiento y análisis de datos computacionales a gran escala requiere una infraestructura técnica elevada. La “equidad digital” es una consideración importante para superar estos obstáculos financieros y asegurar que la integración de datos no se limite únicamente a las naciones desarrolladas, lo que sin duda crearía un resultado muy sesgado.

5. El problema de la “caja negra” en la toma de decisiones de la IA: La gran pregunta sigue ahí. El modelo más robusto podría generar la predicción más precisa, pero la opacidad de la lógica biológica del mundo real o de las características mecanicistas dificulta su progresión y aceptación. Los datos del microbioma son propensos al problema de la caja negra y los modelos de IA luchan por procesarlos de forma transparente. Las principales razones son la alta dimensionalidad de los conjuntos de datos multi-ómicos, los ecosistemas no lineales que implican interacción microbiana a través de redes dinámicas que no siguen una cadena lineal, y por último el riesgo de sobreajuste que puede dar correlaciones espurias en lugar de verdaderas señales biológicas.

¿Puede la IA realmente decodificar el intestino?

Respuesta de una palabra: No.

Esto se debe principalmente a que los sistemas biológicos son inherentemente dinámicos, no lineales y abiertos; mientras que la IA se basa en el reconocimiento de patrones, lo que a menudo resulta difícil en escenarios del mundo real. Sin embargo, los investigadores intentan tener en cuenta esta incertidumbre y heterogeneidad sintetizando datos multiómicos y usando enfoques bayesianos para identificar vínculos genuinos en lugar de correlaciones aleatorias. El concepto de digital twins probablemente sería el cambio de paradigma para simular las interacciones huésped-microbio y predecir la respuesta a diversas terapias médicas o dietéticas.

El verdadero futuro radica en la IA simbiótica, un marco en el que ni el humano ni la IA trabajan de forma aislada. La retroalimentación de "human-in-the-loop" permite a los complejos modelos de IA refinar sus algoritmos para salvar la brecha entre la estadística fría y la salud holística.

Conclusión

Está claro que la trayectoria de la IA en la ciencia del microbioma apunta hacia enfoques progresivamente integrados y a nivel de sistemas. La IA ciertamente no sustituye al científico de laboratorio, ya que la validación de hipótesis derivadas computacionalmente sigue siendo crucial. El microbioma intestinal puede considerarse uno de los rompecabezas más complejos de la medicina; sin embargo, con la IA como co-investigadora y un compromiso con una ciencia representativa a nivel mundial, su decodificación ya no es una aspiración lejana.