Una IA leyó 112 millones de células y encontró parentescos insólitos entre esponjas y ranas

A veces uno se imagina que la inteligencia artificial vive para otra cosa: para sugerir películas, para redactar mails del trabajo o, en el peor de los casos, para generar esos audios truchos de Whatsapp que te mandan tus tíos. Pero de vez en cuando aparece un proyecto que recuerda que, debajo de toda la espuma, estas herramientas todavía pueden hacer ciencia seria. Es el caso de TranscriptFormer, un desarrollo de la Facultad de Medicina de la Universidad de Stanford que se entrenó con datos de 112 millones de células de 12 especies distintas y aprendió, básicamente, a leer células como quien lee un curriculum vitae.

El truco está en mirar qué genes se prenden y cuáles no

La idea de fondo es simple y, a la vez, bastante elegante. No importa tanto el ADN que tiene una célula, sino qué genes decide activar en cada momento. Una célula beta del páncreas, por ejemplo, enciende los genes vinculados a producir y liberar insulina; un linfocito B, en cambio, enciende los que fabrican anticuerpos. Son manuales de instrucciones distintos para una misma biblioteca. TranscriptFormer aprende esos patrones y los traduce a un espacio matemático común donde se pueden comparar células de organismos tan diferentes como una esponja marina y un ratón de laboratorio.

Para entrenarse, el modelo usó una técnica parecida a la que aplica cuando uno le completa la frase al chatbot: tapar información y pedirle que la adivine. En el caso de las células, en lugar de palabras faltantes, se le pedía que predijera valores de expresión génica ausentes. Una vez que aprendió a, podía ubicar cada célula en un mapa y medir qué tan cerca estaba de las demás, sin importar la especie de origen.

• Diferenciar células sanas de enfermas a partir de su actividad genética.
• Identificar tipos celulares en especies que nunca aparecieron en el entrenamiento.
• Comparar células entre organismos distintos dentro de un mismo mapa matemático.
• Detectar parentescos evolutivos insólitos, como similitudes entre neuronas y células de esponja.
• Anticipar cómo sería una célula funcional que todavía no existe en la naturaleza.

Cuando la rana, la esponja y el gusano se cruzan en un gráfico

El primer resultado llamativo tiene aroma a biología del secundario. Al cruzar datos, el modelo encontró que los coanocitos de las esponjas —unas células con collar que les sirven para filtrar agua— se parecen bastante a neuronas de un gusano microscópico y de una rana. Para los investigadores, esa cercanía es una pista para entender cómo aparecieron las neuronas a lo largo de la evolución y qué funciones originales cumplían antes de volverse las estrellas del sistema nervioso.

El segundo hallazgo es de esos que incomodan a quienes ya habían puesto un cartelito en la célula. Existían unas llamadas células neuroides de las esponjas que, por su forma y su ubicación, varios científicos sospechaban que eran parientes humildes de las neuronas. Pero TranscriptFormer miró su actividad genética y dijo otra cosa: su firma molecular se parece más a la de una glándula digestiva de rana que a la de una neurona. Traducido a lenguaje de bar: no eran primas del cerebro, sino parientes del estómago.

En criollo: la herramienta no se conforma con agrupar células porque se vean parecido al microscopio. Compara qué genes están trabajando en cada una y, con eso, decide si son familia, vecinas o casi desconocidas. Esto resuelve un problema clásico de la biología: el ojo entrenado puede confundirse, pero la planilla de genes no miente.

Qué se puede esperar y qué todavía es promesa

El desarrollo abre una puerta concreta para la investigación biomédica: entender mejor tumores, trastornos neurológicos o enfermedades autoinmunes comparando células de pacientes con patrones de referencia. El horizonte más ambicioso, que es proyectar células funcionales que todavía no existen —algo así como diseñar piezas biológicas a pedido para terapias futuras—, aparece en el horizonte, aunque hoy es más una aspiración que una herramienta lista para usar.

“No todo lo que la IA promete es magia: a veces es, simplemente, un mapa mejor para no perderse entre millones de células.”Nicolás Sartori

Consejo práctico para esta semana: si trabajás con datos biológicos, en investigación clínica o en bioinformática, no te quedes con los modelos clásicos. Probá cruzar tus datasets con TranscriptFormer o con herramientas equivalentes y revisá si alguna agrupación que tenés asumida sigue firme cuando la analiza un modelo que compara expresión génica y no morfología. Si tu intuición sobrevive, te quedás más tranquilo; si no, te ahorraste años de seguir mirando por un microscopio algo que la estadística ya había desmentido.