La IA de Stanford que analiza 112 millones de células y busca transformar la medicina

Investigadores de la Universidad de Stanford desarrollaron una nueva herramienta de inteligencia artificial capaz de analizar información genética de 112 millones de células pertenecientes a 12 especies. El modelo, denominado TranscriptFormer, busca facilitar la comparación entre células de diferentes organismos y abrir nuevas posibilidades para estudiar enfermedades y desarrollar tratamientos basados en células.

El proyecto fue desarrollado por investigadores de Stanford Medicine y se apoya en grandes atlas celulares, bases de datos que permiten identificar y clasificar células y tejidos a partir de los genes que se encuentran activos en ellos. Los resultados de la investigación fueron publicados en las revistas científicas Nature y Science.

Un mapa de la actividad genética

Para comprender cómo funciona TranscriptFormer es necesario partir de una característica fundamental de las células. Aunque las células de un organismo contienen prácticamente el mismo ADN, no todas utilizan los mismos genes. La combinación de genes que cada célula activa determina buena parte de su identidad y de las funciones que desempeña.

Por ejemplo, las células beta del páncreas activan genes relacionados con la producción y liberación de insulina, mientras que los linfocitos B expresan genes asociados con la producción de anticuerpos. De esta manera, el patrón de expresión genética funciona como una especie de mapa que permite reconocer qué tipo de célula es y qué está haciendo.

TranscriptFormer utiliza precisamente esos patrones para establecer relaciones entre células. Su entrenamiento incorpora información procedente de seres humanos, ratones, conejos, pollos, peces cebra, moscas de la fruta, ranas, levaduras, esponjas, erizos de mar, un parásito y el nematodo Caenorhabditis elegans, entre otras especies incluidas en el conjunto de datos.

Comparar células de especies diferentes

Una de las principales posibilidades que ofrece el sistema es comparar células que pertenecen a organismos muy diferentes. Esto puede ayudar a los científicos a investigar cómo evolucionaron determinados tipos celulares y qué características biológicas comparten.

El proyecto parte de un modelo anterior denominado Universal Cell Embedding, que permitía representar células en un mismo espacio matemático. De esta manera, células con características biológicas similares podían aparecer próximas aunque pertenecieran a especies diferentes. TranscriptFormer lleva esta idea un paso más allá al trabajar con una cantidad mucho mayor de información celular.

Esta comparación también puede ser útil para identificar células que todavía no han sido estudiadas en profundidad. Si una célula de una especie poco conocida presenta patrones similares a células que ya han sido caracterizadas en otros organismos, el modelo puede proporcionar pistas sobre su posible función.

Del estudio de células a la investigación de enfermedades

El interés médico de esta tecnología está relacionado con su capacidad para distinguir patrones celulares asociados con estados saludables o enfermedades. Los investigadores plantean que el modelo podría facilitar la identificación de tipos celulares y ayudar a estudiar cómo cambian ante diferentes patologías.

A largo plazo, estas herramientas podrían contribuir a la investigación de tratamientos basados en células. La posibilidad de comparar grandes cantidades de información biológica permitiría formular hipótesis sobre qué células podrían utilizarse para determinadas terapias o cómo podrían modificarse para responder a una enfermedad.

Sin embargo, esto todavía corresponde principalmente al ámbito de la investigación científica. Los modelos de células virtuales pueden generar predicciones y orientar experimentos, pero sus resultados necesitan ser comprobados mediante estudios experimentales antes de convertirse en tratamientos médicos. Stanford señala precisamente que el modelo abre posibilidades para la investigación de enfermedades y el desarrollo de terapias celulares, no que ya constituya un tratamiento clínico disponible.

Una nueva generación de modelos biológicos

El desarrollo de TranscriptFormer forma parte de una tendencia más amplia en la investigación científica: utilizar inteligencia artificial para construir representaciones digitales de sistemas biológicos cada vez más complejos.

El Stanford Institute for Human-Centered Artificial Intelligence (HAI) identifica los modelos virtuales de células como una de las nuevas fronteras de la IA aplicada a la biología. Estas herramientas buscan predecir cómo pueden responder las células frente a medicamentos o modificaciones genéticas, aunque actualmente las predicciones todavía requieren validación experimental.

El avance de Stanford muestra así cómo la inteligencia artificial está pasando de analizar conjuntos relativamente pequeños de información biológica a trabajar con cientos de millones de células y múltiples especies al mismo tiempo. La expectativa de los investigadores es que estas herramientas permitan encontrar conexiones que serían difíciles de detectar mediante el análisis convencional de datos.

Más que reemplazar a los científicos y médicos, TranscriptFormer funciona como una herramienta para explorar enormes cantidades de información y generar nuevas hipótesis. Su potencial está en acelerar la comprensión de la biología celular y, con el tiempo, contribuir a investigaciones que permitan desarrollar tratamientos más específicos y personalizados.