Una inteligencia artificial de Stanford lee la actividad de los genes para distinguir células sanas de enfermas

En el laboratorio, distinguir una célula sana de una enferma suele ser una tarea lenta, artesanal y muy cara. Ahora, un equipo de la Facultad de Medicina de la Universidad de Stanford entrenó una inteligencia artificial que promete hacerlo en segundos: se llama TranscriptFormer y trabaja leyendo qué genes enciende cada célula, como si fuera el registro de actividades que cada una lleva encima.

La herramienta no mira la forma de la célula ni su tamaño: lee su expresión génica, es decir, el listado de genes que esa célula tiene activados en un momento dado. Para entenderlo mejor, sirve el ejemplo que me dio Luana, becaria del equipo: tener el mismo manual de instrucciones no significa hacer lo mismo. Una célula beta del páncreas usa genes ligados a la insulina, mientras que un linfocito B, los que defienden al cuerpo, enciende genes vinculados a los anticuerpos. Esos patrones funcionan como una huella digital que permite reconocer identidades y estados celulares.

112 millones de células para aprender a comparar

Para entrenarse, TranscriptFormer procesó datos de 112 millones de células provenientes de 12 especies, reunidas en grandes atlas que organizan información sobre células y tejidos. El entrenamiento consistió en algo parecido a lo que hacen los modelos de lenguaje: predecir palabras faltantes. En este caso, la IA debía completar valores de expresión génica ausentes hasta dominar el idioma que hablan las células.

Una vez aprendido ese idioma, la herramienta ubica cada célula dentro de un espacio matemático compartido, donde es posible medir distancias. Células muy parecidas quedan cerca; las distintas, lejos. Y eso permite una comparación directa entre especies, algo casi imposible de hacer a ojo o con métodos tradicionales cuando el volumen de datos se vuelve inabarcable para una persona.

Esponjas, ranas y el origen de las neuronas

Una de las pruebas más llamativas tuvo que ver con la evolución. TranscriptFormer comparó neuronas de un gusano microscópico y de una rana con coanocitos de esponjas, y encontró similitudes notables. Esa relación ofrece pistas sobre cómo pudieron surgir las neuronas hace cientos de millones de años y qué funciones cumplían al principio.

El análisis trajo otra sorpresa: las llamadas células neuroidas de las esponjas, bautizadas así por algunos rasgos compartidos con neuronas, terminaron con un perfil genético más cercano al de una glándula de rana. El hallazgo sugiere que esas células podrían estar más ligadas a la digestión que al sistema nervioso, una hipótesis que cambia lo que creíamos saber sobre los parientes más antiguos de las neuronas.

• Compara células de especies distintas en un único mapa matemático.
• Distingue células sanas y enfermas a partir de la actividad de sus genes.
• Reconoce tipos celulares que no formaron parte del entrenamiento.
• Permite estudiar el origen evolutivo de células clave como las neuronas.
• Aporta una herramienta para analizar conjuntos de datos imposibles de revisar a mano.

"¿Y eso para qué sirve?", le pregunté a Luana mientras cerrábamos la entrevista. Me respondió que, en el corto plazo, acelera estudios básicos sobre cómo funciona cada célula y dónde fallan los mecanismos en una enfermedad. En el horizonte, queda planteado algo más ambicioso: proyectar características de células funcionales que aún no existen, un paso que algún día podría servir para diseñar células con fines terapéuticos. Por ahora, la promesa concreta es más modesta y a la vez poderosa: ordenar el catálogo celular del mundo vivo con una precisión nueva.