Una IA criada en Stanford se puso las pilas y ahora sabe distinguir células sanas de las que están en problemas

¿Puede una inteligencia artificial mirar una célula y decirte si está sana o si algo le está fallando? Sí, y de eso se trata TranscriptFormer, una herramienta que armó un equipo de la Facultad de Medicina de la Universidad de Stanford. La idea de base es simple: cada célula enciende un conjunto de genes distinto según lo que le toca hacer, y ese patrón funciona como una huella dactilar. Si lo sabés leer, podés saber qué es esa célula, cómo está y hasta con qué otra se parece aunque venga de otro animal.

¿Qué tiene de distinto esta IA frente a otras que ya existían?

Lo original es que no se queda en una sola especie. La entrenaron con datos de 112 millones de células appartenant a 12 organismos distintos, agrupados en lo que en biología se llaman atlas celulares, que son como mapas enorme con la información de cada célula y cada tejido. A partir de ahí, el modelo aprendió a ubicar a cada célula en un espacio matemático compartido, donde la distancia entre dos puntos te dice cuánto se parecen. Si están cerca, comparten función. Si están lejos, son cosas diferentes aunque tengan genes parecidos.

Para entender la lógica sirve un ejemplo bien terrenal: una célula beta del páncreas enciende genes vinculados a producir y liberar insulina. Un linfocito B, en cambio, prende los genes que fabrica anticuerpos. Comparten material genético, pero el trabajo que hacen no tiene nada que ver. TranscriptFormer capta esas diferencias con precisión y las traduce a coordenadas.

• Fue entrenada con 112 millones de células de 12 especies distintas, reunidas en grandes atlas de referencia.
• Aprendió prediciendo valores de expresión génica faltantes, un mecanismo parecido al que usan los modelos de lenguaje para completar palabras.
• Ubica a cada célula en un espacio matemático donde la distancia indica parecido, incluso entre organismos diferentes.
• Logró diferenciar células sanas y enfermas a partir de su patrón de genes encendidos.
• Pudo comparar especies que no estaban en el entrenamiento y encontrar equivalencias funcionales entre ellas.

¿Y qué encontró cuando se puso a comparar especies?

Dos cosas llamativas. Por un lado, al rastrear el origen evolutivo de las neuronas, el modelo detectó que los coanocitos de las esponjas, unas células con collar y flagelo, se parecen más a neuronas de un gusano microscópico y de una rana que a otras células de esponja. Una pista interesante para entender cómo aparecieron las neuronas en la historia de la vida.

Por otro lado, las llamadas células neuroides de las esponjas, bautizadas así porque algunos de sus rasgos recordaban a neuronas, en realidad tienen una actividad genética más cercana a la de una glándula de rana. Eso sugiere que podrían estar metidas en procesos digestivos más que en transmisión de señales. Un cambio de rubro importante para lo que se creía hasta ahora.

Los autores aclaran que diseñar células funcionales desde cero para usarlas en terapias sigue siendo una aplicación a futuro, no una promesa inmediata. La herramienta hoy sirve para investigar: clasificar, comparar y sacar conclusiones que a ojo humano serían imposibles por el volumen de datos. Pero la idea de que en algún momento se pueda proyectar el comportamiento de células que todavía no existen está sobre la mesa y, claro, siempre con cautela.

Como tantas veces en este rubro, lo que llega primero es la lupa, no la solución. Pero una lupa que ve en 112 millones de células a la vez ya cambia bastante las reglas del juego. Veremos.