La actividad coordinada de los sistemas nervioso y endocrino es fundamental para mantener la estabilidad fisiológica — homeostasis— y orquestar respuestas adaptativas a los desafíos internos y externos. Mientras que el sistema nervioso proporciona señalización milimétrica a través de potenciales de acción y transmisión sináptica, el sistema endocrino rige más lento, regulación más sostenida a través de cascadas hormonales. Su interacción, a menudo llamada neuroendocrinología, no es simplemente control paralelo, sino una comunicación integrada

Los sistemas nervioso y endocrino: un diálogo bidireccional

El sistema nervioso por medio de los neurotransmisores y los impulsos eléctricos. El sistema endocrino, por contraste, se basa en las glándulas que secretan las hormonas en el torrente sanguíneo, permitiendo que estos mensajeros químicos actúen en los tejidos dianas con receptores específicos.

Más allá de estos ejes, los bucles de retroalimentación están en todas partes.Por ejemplo, el cortisol de la corteza suprarrenal se alimenta del hipotálamo y la hipófisis para suprimir más liberación de la hormona liberadora de corticotropina (CRH) y la hormona adrenocorticotropica (ACTH), respectivamente.

El surgimiento de la neuroendocrinología computacional

Los primeros modelos de función neuroendocrina fueron necesariamente simplificados, a menudo algunas ecuaciones diferenciales ordinarias (ODEs) que describen la secreción y la limpieza de la hormona. Por ejemplo, el modelo seminal de Keenan y Veldhuis para el eje HPA capturó la naturaleza púltil de la liberación del cortisol. Sin embargo, estos modelos compartimentales no podían tener en cuenta la heterogeneidad espacial de los tejidos, la hormona estopástica

Plataformas de simulación como el Humano Fisiológico Virtual (VPH) y el Proyecto Fisiome proporcionan marcos para vincular modelos a través de escalas. En neuroendocrinología, esto significa conectar un modelo de neurona a una red de señalización paracrina dentro de la pituitaria, y luego vincular eso a un compartimiento farmacocinético de todo el cuerpo que describe la distribución y la limpieza de hormonas.

Criterios de simulación clave

Modelos de Ecuación Diferencial Mecánica y Parcial

La columna vertebral de la mayoría de las simulaciones neuroendocrinas sigue siendo marcos de ODE y PDE. Los modelos ODE asumen compartimentos bien mezclados y describen la evolución del tiempo de las concentraciones hormonales, estados receptores y los efectos de aguas abajo. Son computacionalmente eficientes y excelentes para captar los lazos de retroalimentación y relaciones de dosis respuesta. Por ejemplo, un modelo de eje HPA puede incluir variables para la mayor parte de la síntesis de CRH, ACTH, parámetros de glucocrisis.

Ecuaciones diferenciales parciales (PDEs) extienden estos modelos incluyendo dimensiones espaciales. Esto es importante para tejidos como el hipotálamo donde existen gradientes de difusión de neuropeptidos, o para la glándula suprarrenal donde las regiones corticales y medulares tienen relaciones espaciales distintas. Los PDE pueden simular ondas de concentración, reacciones de onda limitadas por difusión de frecuencia y el efecto de flujo sanguíneo local.

Modelos basados en agentes

Los modelos basados en agentes (ABM) toman un enfoque de abajo arriba. Representan componentes individuales, como neuronas, células endocrinas o incluso moléculas, como agentes autónomos que siguen las reglas locales, y el comportamiento a nivel de sistema emerge de sus interacciones. Los ABM son particularmente poderosos para estudiar eventos estocásticos como ráfagas secretas o paracrines celulares.

ABMs también se destaca en la simulación de la heterogeneidad de la población. No todas las células corticotroph responden de manera idéntica a CRH; las diferencias en la expresión de los receptores o la excitabilidad eléctrica se pueden construir en reglas de agente. El modelo resultante puede reproducir la variabilidad observada en patrones de pulso hormonal y ayudar a explicar por qué algunos individuos muestran hiperresponsabilidad al estrés.

Marco multiescala

The most realistic simulations couple models across scales. A multi-scale framework might embed an ODE model of intracellular signaling (e.g., cAMP pathway) within an agent‑based model of a cell population, which feeds into a PDE compartment for tissue diffusion, all linked to a whole‑body circulation model. Such a framework has been used to simulate the response of the HPA axis to a flight‑or‑fright stimulus, predicting not only the rapid neural release of CRH but also the slower glucocorticoid feedback at multiple levels.

Un ejemplo destacado es el concepto “Dieblo digital” para el eje pituitario. Integrando datos específicos para cada paciente (por ejemplo, volumen suprarrenal derivado por la RMN, variantes genéticas en receptores hormonales) con un modelo multiescala, los investigadores pueden simular cómo un individuo podría responder a un test de ACTH sintético o a un estrés típico.

Aprendizaje de máquinas y modelos de datos

Aunque los modelos mecanísticos se basan en la biología conocida, el aprendizaje automático (ML) ofrece un enfoque complementario basado en datos. Las redes neuronales recurrentes (RNNs) y las redes de memoria a corto plazo (LSTM) son adeptas en el aprendizaje de patrones temporales en series de tiempo hormonales, por ejemplo, predecir el próximo pulso cortisol de componentes anteriores. Estos modelos son “caja negra” pero extremadamente valiosos cuando los mecanismos subyacentes se combinan de forma incompleta.

El aprendizaje de refuerzo (RL) también puede simular cómo un organismo aprende a regular la secreción hormonal basada en la retroalimentación. Por ejemplo, un agente RL que controla la liberación de CRH puede ser entrenado para mantener niveles estables de cortisol a pesar de los factores de estrés aleatorios, y la política aprendida puede compararse con los patrones de disparos neuronales reales.

El modelado basado en datos ha sido especialmente impactante en la identificación de interacciones regulatorias nuevas de datos multiémicos a gran escala. Un estudio del Instituto Barshop utilizó algoritmos de inferencia de red en datos transcritos del hipotálamo para predecir neuropeptidos novedosos involucrados en el equilibrio energético y validarlos in vivo. Este enfoque acelera la generación de hipótesis más rápido que los experimentos tradicionales de los lados.

Avances Precisión de Habilitación

AI para la inferencia del parámetro y la calibración del modelo

Un importante cuello de botella en simulación es la estimación del parámetro. Un modelo típico multi-escala puede tener docenas a cientos de parámetros, muchos de los cuales no son directamente mensurables. Inferencia bayesiana combinada con la cadena Markov Monte Carlo (MCMC) muestreo permite ajustar estos modelos a datos experimentales mientras cuantifica la incertidumbre. Nuevos enfoques de aprendizaje profundo, como las ecuaciones diferenciales normales (esferas neuronales), mejorar los parámetros de hormona e incluso la forma

Integración de datos en tiempo real de los tejidos

Los dispositivos (smartwatches, monitores de glucosa continuos, sensores de sudor epidérmico) ahora proporcionan corrientes casi continuas de datos fisiológicos: variabilidad de frecuencia cardíaca, actividad electrodérmica, temperaturas básicas, glucosa e incluso estimaciones de cortisol. Las simulaciones pueden actualizarse en tiempo real mediante el filtrado de Kalman o la filtración de partículas, adaptando el modelo al estado actual de la doble de la combinación.

Un grupo de investigación de la Universidad de Michigan demostró un modelo accionado por el desgaste que predijo eventos hipoglicérmicos inminentes en pacientes de diabetes tipo 1 acoplando un modelo de glucosa-insulina con un modelo de cortisol circadiano, ya que el cortisol aumenta la resistencia a la insulina y puede desencadenar fenómenos al amanecer.

Gemelos digitales en Endocrinología

El paradigma de “mezcla digital” prestado de la ingeniería, está ganando tracción en la medicina. Un gemelo digital es una simulación viva y actualizada dinámicamente de la fisiología del paciente. En la endocrinología, se han desarrollado gemelos para el tiroides (para optimizar la dosificación de la levothyroxina), para el eje de la enfermedad pituitaria (para diagnosticar la insuficiencia suprarrenal y los resultados de la Cushing).

Un estudio piloto reciente utilizó un gemelo digital del eje HPA para administrar el reemplazo de cortisol en pacientes con insuficiencia suprarrenal secundaria. El gemelo predijo episodios de crisis suprarrenal después de la cirugía mejor que el juicio clínico estándar, lo que provocó la administración de hidrocortisona preventiva. Mientras que todavía experimental, tales aplicaciones muestran el gran potencial de atención guiada por simulación.

Aplicaciones Transformando Medicina

Trastornos de estrés, estrés postraumático y neuroendocrino

Las simulaciones del eje HPA son luz de la patofisiología de los trastornos relacionados con el estrés. Por ejemplo, un modelo multiescala del eje HPA se ha utilizado para simular cómo el estrés de la vida temprana altera la expresión del receptor de glucocorticoides en el hipocampo, lo que lleva a la retroalimentación de cortisol contundente y a una mayor vulnerabilidad al PTSD.

En la depresión, donde hasta el 50% de los pacientes muestran hipercortisolismo, las simulaciones ayudan a desenredar si el defecto primario está en el hipotálamo (excesiva unidad CRH) o en la hipófisis (hipersensibilidad de CA). Al ajustar los datos individuales de los pacientes a estructuras de modelos competidores, los investigadores pueden clasificar a los pacientes en subtipos mecanísticos, un paso hacia la psiquiatría personalizada.

Trastornos metabólicos y el eje de insulina-Glucagon

El juego entre el sistema nervioso autonómico y el páncreas endocrino es crítico para la homeostasis de glucosa. La activación simpática suprime la insulina y estimula el glucago, mientras que la acción parasimpática hace el revés. Un modelo computacional del sistema de glucosaciano modélico – el eje hepático puede simular cómo se desarrolla la hiperglucemia del estrés, por ejemplo, en pacientes hospitalizados o en diabetes neuronía.

Un estudio notable de simulación predijo que una bomba de doble hormona que proporciona insulina y pramlintide (una analógica de amicina) supera las bombas de insulina solamente en la reducción de la hiperglicemia postprandial, una predicción confirmada posteriormente en un ensayo aleatorizado. Esto demuestra cómo las simulaciones pueden acelerar el desarrollo de dispositivos.

Endocrinología reproductiva

El ciclo de la menstruación se rige por un delicado sistema de retroalimentación neuroendocrino que involucra GnRH, LH, FSH, estradiol, progesterona e inhibición. Los modelos informáticos del eje hipotálmico-pituitario-gonadal (HPG) se utilizan ahora para simular ciclos ovulatorios, predecir la ventana de la fertilidad y explorar los efectos de los disruptores endocrinos.

Las simulaciones también ayudan en el momento de la administración de gonadotropina en la tecnología reproductiva asistida (ART). Al crear un gemelo de paciente virtual, los médicos pueden probar diferentes protocolos para la estimulación ovárica antes de realizar el procedimiento real, potencialmente reduciendo los efectos secundarios como el síndrome de hiperestimulación ovárica (OHSS). Algunos centros de fertilidad están ensayando modelos como herramientas de apoyo a la decisión.

Desarrollo de drogas y pruebas de toxicidad

Las compañías farmacéuticas se están convirtiendo cada vez más en simulación para predecir efectos secundarios endocrinos de nuevos compuestos. Por ejemplo, un modelo del eje HPT (hipothalamic-pituitary-thyroid) puede predecir cómo un fármaco podría interrumpir la producción de hormona tiroidea mediante la inhibición de la tiroperoxidasis, ayudando a priorizar candidatos más seguros.

Los modelos de aprendizaje automático entrenados en datos de ensayo histórico pueden predecir efectos adversos endocrinos raros, como el SIADH inducido por fármacos (síndrome de secreción hormonal antidiurética inapropiada), identificando patrones en la demografía de pacientes y la estructura de drogas. Estos modelos complementan simulaciones mecanísticas para crear un marco de evaluación de seguridad integral.

Desafíos y limitaciones

Los componentes de la prueba de la fe son muy escasos, y los modelos de la hormona no estandarizada son muy difíciles.

Finalmente, la integración de la dinámica neural y endocrina en un marco único requiere la preservación de diferentes tradiciones de modelado. Los electrofisiólogos piensan en términos de canales Hodgkin‐Huxley y redes de araña; los endocrinólogos piensan en términos de kinetics y compartimientos de acción masiva. Herramientas como el Proyecto de pisiome y el modelo [Archivo]

Future Horizons

La próxima década probablemente verá el aumento de simulaciones “nervous‐endocrine‐immune” (NEI). El sistema inmunitario se comunica extensamente con los sistemas nervioso y endocrino a través de citocinas y hormonas (por ejemplo, el cortisol es un potente antiinflamatorio). Los modelos que incorporan los tres serán esenciales para entender las condiciones como la enfermedad inflamatoria intestinal, la sepsis y la fatiga crónica

Dispositivos terapéuticos cerrados, como las glándulas suprarrenales “biónicas” que detectan niveles de cortisol e hidrocortisona infusa, se basan en modelos de simulación en tiempo real para calcular las tasas de infusión. Sensores implanables que miden los niveles hormonales en fluido intersticial (por ejemplo, un sensor ACTH) están en desarrollo; cuando se combinan con un gemelo digital, podrían permitir la regulación autónoma de la sustitución hormonal en adrenal.

En el lado fundamental de la investigación, las simulaciones de cuerpo entero del sistema neuroendocrino pueden integrarse eventualmente con datos de conexión cerebral y modelos metabólicos de cuerpo entero. Proyecto de cerebro humano y EuroPhysiome están haciendo que este ambicioso objetivo sea más factible.

Conclusión

La simulación de interacciones del sistema nervioso y endocrino ha avanzado desde modelos compartimentos simples a gemelos digitales multiescalas integrados por datos. Estas herramientas no sólo están profundizando nuestro entendimiento mecanístico de las respuestas de homeostasis y estrés, sino que también están empezando a transformar la práctica clínica a través de la medicina personalizada, el desarrollo de drogas y la innovación de dispositivos.