Una inteligencia artificial aprendió a leer la actividad de los genes y a distinguir células sanas de enfermas

¿Puede una computadora diferenciar una célula sana de una enferma sin mirarla al microscopio, solo leyendo qué genes activa? Esa es, justamente, la pregunta que un equipo de la Facultad de Medicina de la Universidad de Stanford decidió responder con TranscriptFormer, una inteligencia artificial que analiza la llamada expresión génica, es decir, el conjunto de genes que una célula enciende para cumplir su función en el cuerpo.

La herramienta se entrenó con información de 112 millones de células provenientes de doce especies distintas, organizadas en grandes bases de datos conocidas como atlas celulares. Su mecanismo es comparable al de los modelos de lenguaje, esos sistemas que completan palabras faltantes en una oración: en lugar de anticipar términos, el sistema predice valores de expresión génica que faltan y, a partir de ese ejercicio, aprende a reconocer patrones.

Comparar células de especies distintas en un mismo mapa

Con ese aprendizaje, TranscriptFormer ubica a cada célula dentro de un espacio matemático compartido, una especie de mapa donde la cercanía entre puntos indica cuánto se parecen. Así logra medir similitudes entre células de organismos muy diferentes, incluso cuando nunca fueron analizadas juntas por una persona.

• Distinguir células sanas de enfermas a partir de su actividad genética.
• Identificar tipos celulares que no habían participado del entrenamiento.
• Comparar células de especies distintas en un mismo espacio matemático.
• Aportar pistas sobre el origen evolutivo de las neuronas.
• Reinterpretar el rol de las células neuroides de las esponjas, cuya actividad genética se asemeja a la de una glándula de rana, lo que sugiere una posible función digestiva.

El hallazgo sobre los coanocitos de las esponjas, que mostraron patrones similares a los de neuronas de un gusano microscópico y de una rana, ofrece una ventana para estudiar cómo surgieron células especializadas en el procesamiento de información a lo largo de la evolución.

Aunque el modelo se aplica hoy en la investigación biológica básica, sus resultados pueden traducirse en herramientas para laboratorios locales que trabajen con datos genéticos. En La Rioja, equipos del área de salud o de biotecnología podrían usar este tipo de modelos para analizar muestras propias, contrastarlas con atlas internacionales y acelerar estudios sobre células sanas y patológicas sin necesidad de generar grandes volúmenes de datos desde cero. El diseño de células con funciones específicas para eventuales terapias sigue planteado como una posibilidad futura, todavía lejana pero cada vez mejor delineada por la inteligencia artificial.