1428- Biopsias liquidas

Ying Bao, Dejing Zhang, Huihui Guo, Wenxue Ma. Mas allá de la sangre: Avanzando en las fronteras de la biopsia líquida en oncología y medicina personalizada. .Wiley- Cancer Science. 2024;115:1060–1072. Key Laboratory for Translational Medicine, The First Hospital Affiliated with Huzhou University, Huzhou, China

Resumen Claude 5.0

Idea principal

La revisión sostiene que la biopsia líquida ha ido mucho más allá de los análisis de sangre para detectar ADN tumoral circulante (ADNtc). Hoy abarca muchos fluidos corporales y varios tipos de biomarcadores, y funciona como complemento no invasivo de la biopsia de tejido para la detección, el monitoreo y la selección del tratamiento del cáncer. 

Biomarcadores y fluidos

• Biomarcadores: ADNtc, células tumorales circulantes (CTC), microARN (miARN) y vesículas extracelulares (VE).
• Fluidos: sangre, orina, saliva, líquido cefalorraquídeo (LCR), derrames pleurales y, de forma menos habitual, leche materna.

Métodos de aislamiento y análisis

La revisión compara los principales enfoques según sus ventajas y desventajas:

• Captura inmunomagnética (p. ej., CellSearch): muy específica, pero puede pasar por alto células que no expresan el antígeno buscado.
• Microfluídica: no requiere marcadores y procesa muchas muestras, pero a veces es menos específica.
• Filtración: rápida y simple, pero puede perder células pequeñas o atípicas.
• Imagen y dielectroforesis: las más precisas, aunque complejas y costosas.
• Centrifugación en gradiente de densidad: un punto intermedio entre rendimiento y pureza.
• PCR digital en gotas y secuenciación de nueva generación (NGS): detectan mutaciones y permiten monitorear la enfermedad residual mínima.

También trata problemas propios de cada fluido, como la dilución en la orina, las bajas concentraciones de biomarcadores en el LCR y la contaminación microbiana en la saliva.

Aplicaciones clínicas según el fluido

• Sangre: orienta la terapia dirigida en cáncer de pulmón, monitorea el cáncer de mama metastásico y apoya el diagnóstico prenatal no invasivo.
• Orina: sirve para monitorear cánceres de vejiga y próstata.
• Saliva: los patrones de fragmentos de ADN libre salival se han usado para distinguir a pacientes con cáncer gástrico de controles.
• LCR: puede detectar mutaciones de tumores cerebrales (p. ej., glioma), a menudo con más sensibilidad que la sangre, aunque obtenerlo exige una punción lumbar.
• Leche materna: el ADNtc presente en ella podría ayudar a detectar cáncer de mama posparto, cuando la mamografía es menos eficaz.
• Derrames pleurales: pueden ayudar a distinguir derrames malignos de benignos, y un estudio encontró que detectan la mutación de resistencia EGFR T790M con más sensibilidad que el plasma.

Una tabla enumera ensayos clínicos en curso o finalizados en cáncer de próstata, colorrectal, páncreas, mama y pulmón.

Desafíos

• Equilibrar sensibilidad y especificidad, ya que el ADNtc es escaso frente al ADN normal de fondo.
• La heterogeneidad tumoral.
• La contaminación, la integridad de las muestras y el momento de la toma.
• La falta de protocolos estandarizados, sobre todo para miARN y VE.
• El costo, el acceso, las barreras regulatorias, y la ética y la privacidad.

Mitos que se abordan

• La biopsia líquida puede captar un perfil genético amplio, y los miARN y las VE no son biomarcadores inferiores.
• Está pensada para complementar la biopsia de tejido, no para reemplazarla.
• No es una solución universal: los tumores que liberan poco ADN y los cánceres en etapa temprana pueden no ser detectables, y su utilidad para la enfermedad residual mínima aún se está estudiando.

Perspectivas futuras

Los autores predicen que una next‐generation sequencing (NGS) más precisa, la inteligencia artificial y el aprendizaje automático permitirà interpretar datos complejos, y una microfluídica más rápida y pruebas de detección temprana de múltiples cánceres podràn ser realizados a partir de una sola muestra de sangre. Esperan que los miARN y las VE pasen al uso rutinario y ven posibles aplicaciones fuera de la oncología, como en enfermedades neurodegenerativas, cardiovasculares e infecciosas. Concluyen que todavía se necesita más validación.

Leer el articulo completo

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales el uso que le den a la misma..
Nueva presentación el  16 de Noviembre . 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1427- Inteligencia Artificial y genetica

Janet Lawrence Aplicaciones actuales y futuras de la inteligencia artificial en genética clínica. Cureus. 2026 Jan 1;18(1):e100581. Medical Education, Great Western Hospital, Swindon, GBR

Resumen

La inteligencia artificial (IA) está transformando la medicina, y su influencia en la genética clínica es innegable. Desde el análisis de variantes y la interpretación diagnóstica hasta la medicina predictiva y pronóstica, la IA está mejorando la eficacia de la medicina genética y genómica mediante sistemas de aprendizaje automático y aprendizaje profundo para procesar grandes secuencias de datos genómicos.

Este editorial explora las aplicaciones actuales, destaca los avances emergentes y analiza brevemente la trayectoria potencial de la IA en la genética clínica y nuestro papel como profesionales de la salud. También aborda las limitaciones éticas de la IA en la medicina.

Editorial

La inteligencia artificial (IA) ha captado una atención generalizada en esta era. Más allá de su uso en las actividades cotidianas, la IA está adquiriendo mayor importancia en el campo de la medicina [ 1 ]. En el campo de la genética clínica, se espera que la IA logre avances sustanciales, influyendo en la forma en que los médicos investigan, diagnostican y manejan los trastornos genéticos [ 1 ].

Con la introducción de la secuenciación de próxima generación (NGS), la producción de datos genómicos ha aumentado exponencialmente [ 2 ]. Analizar, interpretar e informar manualmente esta enorme cantidad de datos consume mucho tiempo y es propenso a sesgos humanos [ 3 ]. Esto pone de manifiesto la necesidad de herramientas tecnológicas capaces de manejar e interpretar conjuntos de datos complejos de forma precisa y eficiente. El aprendizaje automático y el aprendizaje profundo han logrado avances significativos en la interpretación genómica, y esto es solo el comienzo [ 4 ].

Actualmente, uno de los usos más impactantes de la IA en genética clínica reside en el análisis de variantes. El análisis de variantes es el proceso de clasificar las variantes genéticas en cinco categorías (desde benignas hasta patógenas) utilizando estándares reconocidos internacionalmente. Considera datos de segregación, concordancia de fenotipos, bases de datos, literatura científica, algoritmos predictivos y hallazgos de estudios funcionales [ 3 ]. Este proceso, si bien es esencial, puede ser tedioso y consumir mucho tiempo [ 1 ].

La detección de variantes es el primer paso del análisis de variantes, que implica la identificación de inserciones/deleciones, polimorfismos de un solo nucleótido y datos estructurales. Las herramientas de detección de variantes, como DeepVariant, DNAscope y DeepTrio, han establecido nuevos estándares de precisión en la detección de variantes [ 5 ]. Los algoritmos predictivos y los sistemas de puntuación también se han optimizado mediante herramientas como Combined Annotation Dependent Depletion (CADD) [ 1 ]. Sin embargo, la experiencia clínica sigue siendo crucial en la toma de decisiones clínicas tras el análisis de variantes y la interacción clínica y biológica con los pacientes durante el proceso, lo que subraya que la IA debe complementar a los clínicos en lugar de reemplazarlos [ 3 ].

Leer la Editorial completa

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales el uso que le den a la misma..
Nueva presentación el  13 de Noviembre . 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1426- Publicaciòn de errores en nomenclatura de genes/variantes

Lisa A Lansdon , Binu Porath , Mari Mori , David T Miller ,et al. Presencia universal de errores en nomenclatura de genes/variantes en manuscritos enviados a revistas científicas. Oxford Academic- Clinical Chemistry, 2026; 72( 6) 652–661. Department of Pathology and Laboratory Medicine, Children’s Mercy Kansas City, United States y otra Instituciones.

Resumen: Chat Claude 5.0

El artículo analiza la precisión en la nomenclatura de genes y variantes genéticas en manuscritos científicos. A continuación, se presenta un resumen estructurado de sus puntos clave:

1. Objetivo principal

Evaluar el cumplimiento de los estándares internacionales de nomenclatura de genes y variantes (avalados por la Human Genome Variation Society - HGVS y el International Standing Committee on Human Cytogenomic Nomenclature) en los artículos enviados para su publicación, y determinar cómo los errores afectan la capacidad de búsqueda (findability) y recuperación de datos en bases de datos científicas.

2. Metodología

Los autores analizaron de forma sistemática un conjunto de manuscritos enviados durante un período de dos años utilizando una rúbrica estandarizada y un sistema de puntuación de gravedad.

Evaluaron el impacto de las descripciones erróneas o incompletas de variantes en herramientas de código abierto para comprobar si los errores impedían encontrarlas de manera rutinaria.

3. Resultados principales

• Incumplimiento universal: El 100% de los manuscritos analizados presentaron algún tipo de error o incumplimiento de los estándares de nomenclatura vigentes.
• Errores críticos en la visibilidad: Cada manuscrito contenía fallos que reducían drásticamente la probabilidad de que las variantes fueran localizadas en búsquedas bibliográficas o en procesos de curación de bases de datos.

4, Omisiones comunes identificadas:

• Falta de secuencias de referencia obligatorias (como identificadores de transcritos o genoma de referencia).
• Omisión de identificadores estables de genes (utilizando solo símbolos que pueden cambiar con el tiempo).
• Ausencia de la versión del ensamblaje del genoma (genome build).
• Sintaxis incorrecta al mezclar formatos o emplear nomenclaturas obsoletas.

Una contribución importante de esta investigación fue demostrar que una nomenclatura incorrecta reduce significativamente la capacidad de recuperar hallazgos genéticos publicados previamente .

Las tres bases de datos evaluadas mostraron diferencias considerables en su capacidad para identificar variantes.

• ClinVar: Solo se identificó el 28% de las variantes examinadas cuando se utilizó la nomenclatura exacta que aparecía en los manuscritos.
• LitVar: Solo el 17 % de las variantes se identificaron correctamente utilizando sus descripciones originales publicadas . El rendimiento de la búsqueda mejoró al utilizar combinaciones de nomenclatura alternativas .
• Franklin: Solo el 11% de las variantes estaban asociadas con literatura relevante cuando se utilizaron las descripciones de los manuscritos originales .

Sorprendentemente, solo 2 de las 18 variantes investigadas pudieron identificarse a través de las tres fuentes de información.

Estos hallazgos demuestran que una nomenclatura inconsistente puede dificultar , o incluso imposibilitar , la recuperación de variantes genéticas previamente reportadas mediante búsquedas convencionales en bases de datos .

4. Conclusiones y Recomendaciones

Insuficiencia de las guías tradicionales: El estudio concluye que las simples instrucciones formales dirigidas a los autores ("guías para autores") no son suficientes para garantizar que se cumplan las normativas.

Necesidad de intervención editorial: Se propone la incorporación de revisiones técnicas enfocadas específicamente en la nomenclatura dentro del flujo de trabajo editorial de las revistas. Esto ayuda a corregir de forma activa los datos genómicos, evitando que errores normalizados se propaguen hacia la literatura médica final y las bases de datos globales.

Leer el articulo completo

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales el uso que le den a la misma..
Nueva presentación el  10 de Noviembre . 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1425- Secuenciación de nueva generación (NGS)

Heena Satam, Kandarp Joshi, Upasana Mangrolia ,et. al. Tecnología de secuenciación de nueva generación: tendencias y avances actuales. Biology 2023:12 (7) :997. miBiome Therapeutics, India. Department of Molecular Cell and Cancer Biology, UMass Chan Medical School, Worcester, USA

Resumen Chat Claude 5.0

La secuenciación de nueva generación (NGS) transformó la genómica al permitir secuenciar en paralelo desde millones hasta miles de millones de fragmentos de ADN y ARN, con alto rendimiento y menor costo. Plataformas como Illumina, Pacific Biosciences y Oxford Nanopore han permitido identificar variantes causantes de enfermedades, nuevos blancos terapéuticos y la heterogeneidad tumoral. Esta revisión describe la evolución de las tecnologías, las distintas ómicas que se estudian con NGS, las herramientas bioinformáticas, sus aplicaciones en investigación y diagnóstico, y las perspectivas futuras.

Generaciones de secuenciación

La primera generación nació con Holley, quien secuenció un ARN de transferencia en 1964, y con los métodos de Maxam y Gilbert (degradación química) y de Sanger (terminación de cadena con didesoxinucleótidos), que producía lecturas de unos cientos de nucleótidos. En 1987 el ABI 370 automatizó el método con marcaje fluorescente y electroforesis capilar. La segunda generación introdujo la secuenciación masiva en paralelo: 454 de Roche (pirosecuenciación), Ion Torrent (detección de iones hidrógeno), Illumina (síntesis con terminadores reversibles) y SOLiD (ligación). La tercera generación ofrece lecturas largas: PacBio, con secuenciación de molécula única en tiempo real, y Oxford Nanopore, que mide cambios de corriente eléctrica y destaca por su portabilidad. Las lecturas largas alcanzan 25–30 kb frente a 600–700 pb de las cortas; al no requerir PCR detectan modificaciones como la metilación y variantes estructurales complejas, mientras que las cortas son útiles para cuantificar secuencias, expresión y variantes.

Ómicas basadas en NGS

En genómica se emplean la secuenciación del genoma completo, la del exoma (1–2 % del genoma, alternativa rentable para enfermedades raras) y la dirigida mediante paneles, con coberturas de hasta 5000× para alelos poco frecuentes. La transcriptómica utiliza RNA-seq para medir expresión, empalme alternativo, ARN no codificantes y células individuales. La epigenómica analiza metilación del ADN (WGBS, RRBS), accesibilidad de cromatina (ATAC-seq), modificaciones de histonas (ChIP-seq) y estructura tridimensional (Hi-C). La metagenómica estudia comunidades microbianas mediante genes 16S, regiones ITS o secuenciación shotgun, agrupando las secuencias en unidades taxonómicas operativas con 97 % de similitud para identificar los microorganismos.

Análisis bioinformático

Los datos requieren control de calidad, recorte de adaptadores, alineamiento, llamado y anotación de variantes, cuantificación y análisis de expresión diferencial. Esta etapa es indispensable por el enorme volumen de datos generados, y permite además el ensamblaje de novo y análisis integrados con otras fuentes genómicas y funcionales. Entre las herramientas citadas figuran FastQC, BWA, GATK, DESeq2 y QIIME2.

Aplicaciones

Las bases de datos poblacionales, como gnomAD, con información de unos 140 000 humanos, sirven para estimar frecuencias alélicas y descubrir genes de enfermedades raras. En investigación, la NGS vincula el microbioma con trastornos mentales, artritis reumatoide, diabetes y obesidad; define el panorama mutacional de los tumores mediante paneles grandes; y permite estudios de célula única y Ribo-seq. En diagnóstico se usa en enfermedades infecciosas y resistencia antimicrobiana, aunque no reemplaza aún a la PCR por rapidez; en enfermedades hereditarias, incluidos el diagnóstico prenatal no invasivo y el estudio de preimplantación; en tipificación HLA; y en cáncer, con proyectos como TCGA e ICGC, paneles comerciales, biopsia líquida y síndromes hereditarios de mama y ovario. También domina la genética forense, por su sensibilidad con muestras degradadas.

Perspectivas futuras

Los autores prevén plataformas más rápidas, precisas, portátiles y económicas, que requerirán menos ADN y reactivos, con mayor multiplexado, robótica y secuenciación en tiempo real para diagnóstico en el punto de atención. Serán clave la mejora de la bioinformática, la transferencia y el almacenamiento de datos, y la integración multiómica, la célula única y las lecturas largas, lo que ampliará el acceso a la NGS en la práctica clínica, la agricultura y los estudios ambientales.

Leer el articulo completo

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales el uso que le den a la misma..
Nueva presentación el  07 de Noviembre . 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1424- El rincon del lector - Pinturas Argentinas

Bagnarelli A.E. Editor. Día de las Artes Plásticas en Argentina. Fuente: Chat- Geminis/Claude/ MN Bellas Artes/ Wikipedia

1) El 3 de noviembre se conmemora en Argentina el Día del Artista Plástico, una fecha que rinde homenaje a la trayectoria de Prilidiano Pueyrredón, uno de los precursores del arte en el país. Se eligió esta fecha para recordar el día de su fallecimiento en Buenos Aires en 1870, como reconocimiento a su valioso aporte al patrimonio cultural argentino. Pueyrredón fue uno de los más importantes artistas plásticos de la Argentina del siglo XIX, y su obra ha tenido una gran influencia en las generaciones posteriores.

2) La pintura argentina se ha desarrollado a lo largo de décadas, reflejando los cambios políticos, sociales y culturales del país. Se pueden identificar distintos periodos/estilos en la historia de la pintura argentina, cada uno con sus propias características y tendencias. Hay numerosas formas de hacer esta clasificación, y van surgiendo otras nuevas, y en esta presentación se ha adoptado una, que permita una mayor comprensión del tema.

3) Con relación a los artistas, es evidente que numerosos de ellos con diferente capacidad técnica, visión del mundo, motivos personales, políticos o del ambiente en el que se desenvuelven, se han podido mover dentro de uno o más estilos lo que dificulta su encuadre en uno solo.

4) En esta presentación las características de cada período/estilo, es de acuerdo a la información suministrada por los Chat-(IA), pero dado el gran numero de artistas y sus obras se han seleccionadose solamente un numero limitado de ellos.

Periodos/ Estilos/Pintores/Pinturas

1) El arte colonial argentino (siglo XVI al siglo XVIII) es el arte producido en nuestro país durante ese período de tiempo. Está influenciado por el arte europeo, pero también tiene características propias, como la utilización de temas religiosos, la representación de figuras y escenas de la vida cotidiana y su simplicidad y expresividad de las obras. Esta determinado por la presencia de artistas extranjero que venian para radicarse en forma permanente o lo hacian en forma transitoria dejando en el pais el producto de su arte.

Algunos de los artistas mas destacados son:

Raymond Monvoisin

“Gaucho Federal”

Leer el articulo completo

(*) Nueva presentación el 04 de Noviembre
Cordiales saludos. 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Ciudad de Buenos Aires, R. Argentina

1423- dPCR: pasado, presente y futuro

Lauren M Wainman , Shivaprasad H Sathyanarayana , Joel A Lefferts . Aplicaciones de la reacción en cadena de la polimerasa digital (dPCR) en pruebas moleculares y clínicas. The Journal of Applied Laboratory Medicine, 2024; 9 (1): 124–137. Laboratory for Clinical Genomics and Advanced Technology (CGAT), Department of Pathology and Laboratory Medicine, Dartmouth-Hitchcock. Medical Center, Geisel School of Medicine at Dartmouth, Lebanon, NH, United States

Resumen

Antecedentes:  La reacción en cadena de la polimerasa digital (dPCR) es un método molecular preciso y sensible que se puede utilizar en pruebas clínicas de diagnóstico, pronóstico y predicción. El componente clave del método dPCR es la división de una única reacción en miles de gotas, nanocanales u otras reacciones de tamaño nanométrico o picolítrico. Esto da como resultado una sensibilidad suficientemente alta para detectar dianas de ácidos nucleicos poco frecuentes y proporciona una cuantificación absoluta de secuencias o alelos diana en comparación con otros métodos basados ​​en PCR.

Contenido: En los últimos años se ha introducido comercialmente un número creciente de plataformas de dPCR, y se están desarrollando más. Estas plataformas difieren en el método de partición, el grado de automatización y las capacidades de multiplexación, pero todas pueden utilizarse de forma similar para la cuantificación sensible y de alta precisión de diversos ácidos nucleicos. Actualmente, las aplicaciones clínicas de la dPCR incluyen oncología, microbiología y enfermedades infecciosas, genética y cribado prenatal/neonatal. Se están desarrollando pruebas comerciales para aplicaciones clínicas que detectan variantes con relevancia diagnóstica, pronóstica y terapéutica en tipos específicos de enfermedades.

Conclusion: La potencia de la tecnología dPCR reside en la separación de las reacciones, lo que se traduce en una mayor sensibilidad y precisión en comparación con la qPCR. Más recientemente, la sensibilidad de la dPCR se ha aplicado a la detección de variantes conocidas en ADN libre circulante y ADN tumoral circulante. Entre las futuras aplicaciones clínicas de la dPCR se incluyen la biopsia líquida, la detección de resistencia al tratamiento, la detección de enfermedad residual mínima y el seguimiento del injerto en pacientes trasplantados.

Introducciòn

La reacción en cadena de la polimerasa (PCR) es un método sensible y específico para la amplificación in vitro de secuencias de ácidos nucleicos que ha ganado mayor atención y reconocimiento por parte del público general en los últimos años debido a la pandemia de COVID-19. Mediante el uso de cebadores de oligodesoxinucleótidos específicos, la PCR puede identificar una secuencia diana y luego se utiliza una ADN polimerasa para amplificar millones de copias (amplicones) de la secuencia diana. En el momento en que los laboratorios clínicos comprendieron el potencial de esta técnica, rápidamente se convirtió en la base de numerosas aplicaciones en pruebas clínicas. Desde entonces, los avances relacionados con la técnica de PCR y las nuevas formas de instrumentación se han combinado para mejorar la tecnología, que ha evolucionado hasta convertirse en un método fiable, asequible y fácil de usar que se realiza en laboratorios de investigación y clínicos en todo el mundo.

Con el tiempo, la PCR ha evolucionado, dando lugar a 3 “generaciones”. La versión original de la PCR, la primera generación, también se conoce como PCR de punto final, ya que el análisis solo es posible una vez completado el ciclo de PCR. Durante la PCR, la secuencia diana se duplica en cada ciclo y, posteriormente, se pueden utilizar diversos métodos post-PCR, como la electroforesis en gel de agarosa, para la detección y el análisis cualitativos de la secuencia de ADN. Sin embargo, la primera generación de PCR está limitada por la falta de resultados cuantitativos y el tiempo laborioso que requiere tanto para la preparación de la PCR como para el análisis post-PCR.

La segunda generación de PCR, denominada PCR cuantitativa o en tiempo real (qPCR), puede detectar la secuencia diana en tiempo real mediante señales fluorescentes que se liberan proporcionalmente a la cantidad de ADN diana inicial. Esto requiere la prueba de calibradores para crear curvas estándar/de calibración, las cuales pueden verse afectadas por sustancias interferentes que pueden producir resultados cuantitativos inexactos.

La tercera generación es la PCR digital (dPCR), que permite la cuantificación absoluta mediante la partición de la PCR. En la dPCR, una única reacción se divide en miles de PCR individuales, de manera que cada partición se evalúa individualmente para determinar si el resultado de la amplificación es positivo o negativo. Esta evaluación digital permite una cuantificación más precisa que no requiere curvas de calibración y es menos susceptible a los efectos de sustancias interferentes (inhibidores de la PCR). La dPCR es altamente sensible y precisa para diversas aplicaciones moleculares clínicas, incluyendo la detección de alelos raros y el análisis del número de copias.

Leer el articulo completo

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales el uso que le den a la misma..
Nueva presentación el  03 de Noviembre . 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1422- Computacion cuantica y genoma

Gary Skuse,Sherry Dadgar.  El uso de la IA y la computación cuántica para analizar el genoma podría cumplir la promesa de la medicina personalizada, pero aún existen obstáculos prácticos y éticos. The Conversation, April 28, 2026. Rochester Institute of Technology. Medicine, George Washington University

Décadas después de que los investigadores secuenciaran por primera vez el genoma humano , científicos de todo el mundo siguen trabajando para comprenderlo. A pesar de los diligentes esfuerzos globales para vincular las variaciones poco comunes en las secuencias de ADN con las enfermedades humanas, el progreso ha sido lento, debido en gran parte a las limitaciones en el conocimiento científico y en parte a las limitaciones en las tecnologías computacionales.

La inteligencia artificial tiene el potencial de ayudar a los científicos a descifrar los millones de variaciones genéticas presentes en los genomas de diferentes personas para identificar cuáles causan enfermedades y cuáles no. Sin embargo, para aprovechar plenamente el poder de la IA, los científicos necesitan comparar los genomas de miles o decenas de miles de personas. Esta tarea no solo requiere un gran esfuerzo computacional, sino que también es propensa a errores y tardará años en completarse .

La computación cuántica tiene el potencial de facilitar este proceso. Somos investigadores con un interés de larga data en encontrar formas de utilizar la genética en la práctica clínica y desarrollar nuevas tecnologías para estudiar el genoma humano. La combinación de la computación cuántica con la IA tiene el potencial de acelerar el análisis genómico mucho más allá de los métodos tradicionales. En el caso de afecciones médicas que requieren atención inmediata, una decodificación más rápida de la información genética puede influir directamente en las decisiones de tratamiento urgentes y, en algunos casos, salvar vidas.

Computación convencional frente a computación cuántica

En la informática convencional, los bits individuales de información (dígitos binarios, también llamados bits) solo pueden representar dos estados: 0 y 1. Sin embargo, los cúbits utilizados en la computación cuántica pueden tener más de dos estados distintos. Al sumar cúbits, el número de estados aumenta exponencialmente. La potencia de las computadoras cuánticas reside en su capacidad para comprobar todas las posibilidades a la vez en problemas con un gran número de variables, en lugar de hacerlo de una en una, como debe hacerlo incluso la computadora clásica más rápida. Esto permite a las computadoras cuánticas resolver ciertos tipos de problemas, como la factorización de números grandes para los esquemas de cifrado actuales y la optimización combinatoria para encontrar la mejor ruta a traés de un gran número de puntos.

Sin embargo, la computación cuántica aún se encuentra en sus inicios. A pesar del enorme potencial de esta tecnología, los informáticos se enfrentan a desafíos relacionados con su escalabilidad, la corrección de errores, el desarrollo de hardware y el establecimiento de estándares. Además, existen importantes limitaciones de tiempo y coste asociadas a la solución de estos problemas. Los expertos en la materia estiman que podrían pasar al menos diez años antes de que la computación cuántica sea realmente útil fuera del laboratorio.

Análisis de datos más amplio y mejor

Si los investigadores logran superar estos desafíos, la combinación de la IA y la computación cuántica no solo permitirá a los científicos y médicos comprender mejor el genoma humano, sino también aprovechar ese conocimiento para mejorar la atención al paciente.

Actualmente, los investigadores pueden utilizar la IA para analizar datos genómicos en combinación con cantidades limitadas de otra información biológica, como la actividad genética , la epigenómica, las firmas de ARN y la función de las proteínas. La computación cuántica podría permitir que la IA procese conjuntos de datos cada vez más masivos y detallados.

Esto podría implicar la integración de grandes conjuntos de datos genéticos, proteicos y espaciales con datos clínicos, demográficos y fisiológicos en tiempo real. Este enfoque sistémico permite una comprensión más completa y precisa de sistemas biológicos complejos, más allá de la mera secuencia de ADN, lo que podría utilizarse para mejorar la salud pública.

En otras palabras, la computación cuántica podría permitir secuenciar el genoma de un paciente y combinar esa información con otra información sobre cómo funciona su cuerpo a nivel molecular para mejorar la precisión de los diagnósticos y determinar el mejor tratamiento en horas en lugar de meses...

Leer el artículo completo

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales el uso que le den a la misma..
Nueva presentación el  30 de Octubre . 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina