En los últimos años, las puntuaciones poligénicas (PGS) han sido promocionadas como una herramienta revolucionaria que transformará la prevención de enfermedades. Al combinar el efecto de múltiples variantes genéticas, prometen identificar a las personas con mayor riesgo de cáncer, enfermedades cardiovasculares u obesidad. Sin embargo, la evidencia científica más reciente indica que su capacidad de predicción es modesta y, en muchos casos, genera más preguntas que respuestas.

Un estudio riguroso desmonta el mito

Investigadores del University College London (UCL) analizaron 926 PGS para 310 enfermedades utilizando la base de datos pública Polygenic Score Catalog. Sus conclusiones, publicadas en octubre de 2023 en BMJ Medicine, fueron contundentes: en promedio, los PGS identificaron solo el 11 % de los individuos que finalmente desarrollaron la enfermedad y, al mismo tiempo, generaron un 5 % de falsos positivos【372282977355559†L19-L52】. En el caso de patologías concretas como el cáncer de mama o la enfermedad coronaria, las tasas de detección fueron incluso más bajas (10 % y 12 %, respectivamente)【372282977355559†L67-L70】.

Esto significa que, para cada persona correctamente identificada, hay muchas más que recibirían un resultado tranquilizador (falso negativo) o alarmante (falso positivo) sin ser preciso. Según los autores, aplicar los PGS en programas de cribado poblacional implicaría realizar miles de pruebas genéticas para prevenir un solo evento (p. ej., un infarto) si se usaran para guiar la prescripción de estatinas【372282977355559†L74-L79】. Además, las puntuaciones apenas aumentan la información que ya ofrecen factores convencionales como la edad, el sexo, la presión arterial o el colesterol.

Por qué fallan las puntuaciones poligénicas

Las PGS se basan en estudios de asociación del genoma completo (GWAS). Estos trabajos identifican variantes que están más presentes en personas con una enfermedad que en la población general. Las variantes suelen tener efectos muy pequeños (aumentan el riesgo en un 1 %–2 %), por lo que se necesitan millones de datos para obtener resultados robustos. A pesar de ello, las PGS actuales presentan varios problemas:

• Poca capacidad predictiva: Como hemos visto, incluso para enfermedades relativamente heredables, los PGS solo capturan una fracción del riesgo. Factores ambientales, estilo de vida y epigenéticos tienen un peso mayor.
• Sesgo de ascendencia: La mayoría de los GWAS provienen de poblaciones europeas. Así, las PGS resultantes son menos precisas en otras etnias, lo cual puede amplificar las desigualdades. El nuevo PGS de obesidad, por ejemplo, explica el 17 % de la variación del IMC en europeos pero solo el 2 % en una cohorte africana【368994030973972†L942-L948】.
• Interacciones gen-ambiente: Las variantes genéticas actúan en entornos específicos. Un PGS puede predecir algo en un país con dieta occidental y no en otro con alimentación mediterránea. Además, la respuesta a la dieta, al ejercicio o a los fármacos está modulada por muchos otros factores.
• Complejidad estadística: Diferentes algoritmos y parámetros generan PGS distintos. Las empresas pueden elegir el score que ofrezca resultados más llamativos, pero eso no significa que sea el más preciso o fiable.

El mismo estudio de UCL concluye que los PGS no deberían usarse para cribados masivos. Incluso integrándolos con factores tradicionales, el beneficio añadido es pequeño y compensa menos que centrarse en recomendaciones universales (comer saludable, dejar de fumar, hacer ejercicio). El profesor Nicholas Wald, coautor del trabajo, afirma que la genómica es importante para el descubrimiento de fármacos, pero no para pronosticar quién enfermará【372282977355559†L86-L107】.

¿Significa esto que la genética no importa?

La genética tiene un papel clave en determinadas enfermedades monogénicas (por ejemplo, mutaciones en BRCA1 o BRCA2). En esos casos, un test genético detecta un riesgo muy elevado y se pueden tomar decisiones preventivas claras, como mastectomías o tratamientos farmacológicos. Las PGS, en cambio, ofrecen un riesgo relativo que apenas se traduce en una diferencia absoluta apreciable. Por ejemplo, pasar del 3 % al 4 % de riesgo de una enfermedad no cambia las recomendaciones de estilo de vida, pero puede generar ansiedad innecesaria.

Aun así, la investigación en genómica sigue siendo valiosa. Comprender qué variantes influyen en la salud ayuda a identificar rutas biológicas y posibles dianas terapéuticas. Además, los PGS pueden utilizarse como variables de ajuste en estudios de epidemiología mendeliana para inferir causalidad. El problema surge cuando se venden al público sin el contexto adecuado.

Consejos para interpretar los resultados

Si decides realizar un test genético con PGS, ten en cuenta lo siguiente:

• Consulta con profesionales: Un genetista o un médico experto puede ayudarte a entender la magnitud real de tu riesgo y cómo integrarlo con otros factores.
• Observa el riesgo absoluto: Pregunta cuál es tu riesgo basal de la enfermedad y en cuánto varía con la puntuación. A veces, las diferencias son mínimas.
• No modifiques tu tratamiento sin asesoramiento: No dejes un medicamento ni comiences uno nuevo solo por tu PGS. Las decisiones médicas deben basarse en pruebas clínicas robustas.
• Considera la privacidad: Lee los términos y condiciones sobre cómo la empresa almacenará y utilizará tus datos genéticos.
• Recuerda el peso del estilo de vida: Aunque tu PGS sea alto, una dieta equilibrada, actividad física regular y descanso adecuado pueden reducir tu riesgo. Si tu PGS es bajo, no es excusa para descuidar tu salud.

Nutrición de precisión más allá de los PGS

Los PGS son solo una parte de la medicina personalizada. En Mefood Omics utilizamos datos de microbiota, metabolitos, hábitos alimentarios y patrones de actividad para ofrecer recomendaciones integrales. Incluso sin un PGS, medir tu microbioma o tu perfil metabolómico puede aportar información práctica sobre cómo respondes a diferentes alimentos.

Por ejemplo, ciertas combinaciones de bacterias intestinales se asocian con una mayor absorción de energía o con una mejor respuesta a dietas bajas en carbohidratos. La aplicación Oorenji integra estos datos con herramientas de coaching y recetas saludables (recetas.oorenji.com) para guiarte en la elaboración de menús que respeten tus gustos y necesidades. Y si te interesa conocer tu predisposición genética para la obesidad, puedes leer el post 1.

Conclusión: mirar más allá de la genética

Las puntuaciones poligénicas han aportado información valiosa para la investigación, pero su utilidad como herramienta de predicción clínica o poblacional es limitada. No sustituyen a los hábitos saludables ni a los factores conocidos de riesgo. Ante la tentación de basar nuestra salud en un número genético, recordemos que somos más que nuestros genes: el entorno, la educación y las decisiones diarias pesan mucho más. Los PGS pueden complementar la medicina, pero no deben convertirse en el único criterio para tomar decisiones.

Referencias

1. Genetic risk scores not useful in predicting disease – ScienceDaily
2. Performance of polygenic risk scores in screening, prediction, and risk stratification – BMJ Medicine
3. Polygenic prediction of body mass index – Nature Medicine
4. The future of polygenic risk scores in direct-to-consumer genomics – Nature Genetics