Investigadores de la Facultad de Medicina de la Universidad de Stanford desarrollaron TranscriptFormer, un modelo de inteligencia artificial capaz de procesar datos correspondientes a 112 millones de células de 12 especies. La herramienta permite encontrar similitudes biológicas, clasificar patologías y estudiar posibles aplicaciones terapéuticas que resultarían difíciles de identificar mediante métodos convencionales.
Te puede interesar
El entrenamiento incorporó información de seres humanos, ratones, conejos, peces cebra, moscas de la fruta, ranas, esponjas, erizos de mar y otros organismos. Los datos surgieron de atlas celulares que ordenan células y tejidos según los genes que permanecen activos. Los resultados de la investigación fueron publicados en las revistas científicas Nature y Science.
La expresión genética como identificación celular
Aunque todas las células contienen instrucciones genéticas, sus funciones dependen de los genes que activan en cada momento. Ese patrón permite distinguir, por ejemplo, una célula pancreática que produce insulina, un linfocito encargado de generar anticuerpos o una célula de la piel vinculada con el cabello y la pigmentación.
Para interpretar esa enorme cantidad de información, TranscriptFormer utiliza un método similar al de los modelos de lenguaje como ChatGPT. Durante el entrenamiento, el algoritmo debía reconstruir valores de expresión genética que habían sido ocultados, del mismo modo que una IA lingüística aprende a predecir palabras faltantes. Así creó un espacio matemático común que permite medir la cercanía entre células de especies diferentes.
Nuevas pistas para estudiar enfermedades y evolución
Las comparaciones también aportaron datos sobre el posible origen evolutivo de las neuronas. El modelo encontró semejanzas entre los coanocitos de las esponjas y las neuronas de gusanos microscópicos y ranas. En cambio, determinó que las llamadas células neuroideas de las esponjas presentaban un perfil más cercano al de ciertas glándulas, por lo que podrían cumplir funciones relacionadas con la digestión.
Además de clasificar células conocidas, el sistema logró identificar tipos celulares de especies que no formaron parte del entrenamiento y diferenciar estructuras sanas de otras afectadas por enfermedades. Los investigadores consideran que, en el futuro, esta capacidad podría contribuir al diseño de células funcionales a medida y orientar el desarrollo de tratamientos contra afecciones complejas, siempre como una herramienta de apoyo para especialistas.
