Una IA made in Stanford le enseñó a leer células como quien hojea el padrón electoral

¿Puede una computadora distinguir una célula sana de una enferma mejor que un microscopio y un doctor con veinte años de experiencia? La respuesta, al menos en Stanford, parece ser que sí. Un equipo de la Facultad de Medicina desarrolló TranscriptFormer, una inteligencia artificial que analiza la actividad de los genes para diferenciar tipos celulares y encontrar parecidos entre organismos que, a primera vista, no tienen nada en común. La promesa: entender cómo funciona el cuerpo —y por qué se rompe— con una herramienta que trabaja con datos de 112 millones de células.

La clave del asunto está en la expresión génica, o sea, qué genes prende cada célula y cuáles deja en silencio. No importa tanto el ADN en sí, sino el patrón de actividad. Traducido a la vida de un santafesino: todos tenemos el documento de identidad, pero un albañil usa músculos, un no. Acá pasa algo parecido: una célula beta del páncreas activa genes para producir insulina, mientras que un linfocito B enciende otros para fabricar anticuerpos. Esos patrones funcionan como una huella digital que la IA aprende a leer.

¿Cómo se entrena a una máquina para entender biología?

El entrenamiento fue, en criollo, completar casilleros vacíos. Los investigadores le dieron a TranscriptFormer datos de 112 millones de células belonging a 12 especies distintas, reunidas en atlas que organizan la información por tejido y tipo celular. La IA tuvo que predecir valores de expresión génica faltantes, el mismo truco que usa ChatGPT cuando completa una palabra tapada en una frase. Con ese juego de adivinar, el modelo construyó un mapa matemático donde cada célula ocupa un lugar según su actividad genética. Y ahí aparece la magia: puede medir cuánto se parecen dos células, aunque vengan de una esponja marina y de un humano.

• Identificó tipos celulares en organismos que no estaban en el entrenamiento, lo que demuestra capacidad de generalización.
• Comparó células de esponjas con neuronas de un gusano microscópico y de una rana, arrojando luz sobre el origen evolutivo de las neuronas.
• Reclasificó las llamadas células neuroides de las esponjas: su actividad genética se parece más a una glándula de rana que a una neurona, sugiriendo un rol digestivo.
• Distinguió células sanas de enfermas a partir de su perfil de expresión, una herramienta clave para investigar enfermedades.

El hallazgo sobre las células neuroides de las esponjas es, para mí, el más jugoso. Les habían puesto un nombre asociado a neuronas por algunos rasgos visibles, pero cuando TranscriptFormer las puso en el mapa y las comparó con otros tejidos, el resultado fue otro: su actividad genética se parece más a la de una glándula de rana. ¿Traducción posible? Tal vez esas células están más cerca de ayudar a digerir el alimento que de transmitir señales. Un recordatorio de que en ciencia los nombres a veces mienten.

El futuro, según el equipo de Stanford, pasa por una idea ambiciosa: proyectar características de células funcionales que todavía no existen, algo que podría orientar el diseño celular para terapias. Hoy suena a ciencia ficción, pero el mismo principio ya se usa para predecir qué hará una proteína antes de sintetizarla en un laboratorio. Veremos si la biología sintética termina de cerrar el círculo.