Distinguir una célula sana de una enferma y reconocer tipos celulares en especies que nunca formaron parte de su entrenamiento son dos de los logros que viene mostrando TranscriptFormer, una inteligencia artificial desarrollada por un equipo de la Facultad de Medicina de la Universidad de Stanford que analiza la actividad de los genes para comparar células de organismos muy distintos entre sí.

Una comparación que viaja entre especies

La clave de toda esta tarea está en lo que se conoce como expresión génica, es decir, qué genes activa cada célula en un momento dado. Compartir instrucciones genéticas no significa cumplir la misma función: una célula beta del páncreas apela a genes vinculados con la producción y la liberación de insulina, mientras que los linfocitos B usan otros ligados a la fabricación de anticuerpos. Esos patrones de actividad terminan funcionando como una huella que ayuda a reconocer identidades y estados celulares, incluso cuando la comparación se vuelve casi imposible de hacer a ojo.

Para aprender a interpretar esas huellas, TranscriptFormer fue entrenado con datos de 112 millones de células de 12 especies distintas, reunidos en atlas que organizan información sobre células y tejidos. El procedimiento de entrenamiento consistió en predecir valores de expresión génica que faltaban, un mecanismo comparable al que usan los modelos de lenguaje cuando completan palabras que fueron omitidas en un texto.

• Distinguir células sanas y enfermas a partir de su actividad genética.
• Identificar tipos celulares en especies que no integraron el entrenamiento.
• Encontrar similitudes entre células de organismos muy alejados, como esponjas, gusanos y ranas.
• Comparar volúmenes de datos genéticos cuyo análisis simultáneo resulta inviable para una persona.
• Aportar pistas sobre el origen evolutivo de las neuronas y sus funciones.

Qué aprendió mirando esponjas, gusanos y ranas

Una de las aplicaciones más llamativas del modelo estuvo vinculada al origen evolutivo de las neuronas. Al poner en diálogo organismos distintos, TranscriptFormer encontró similitudes entre los coanocitos de las esponjas y las neuronas de un gusano microscópico y de una rana. Esa relación ofrece pistas frescas para estudiar cómo pudieron surgir esas células a lo largo del tiempo y qué funciones cumplen en cada organismo.

El análisis también aportó una lectura llamativa sobre las llamadas células neuroides de las esponjas. Aunque algunos de sus rasgos morfológicos habían motivado un nombre asociado con las neuronas, cuando se miró su actividad genética el resultado fue otro: el modelo encontró que esa actividad se parecía más a la de una glándula de rana, lo que sugiere una posible participación de esas células en procesos ligados a la digestión.

Con ese aprendizaje, la herramienta ubica a las células dentro de un espacio matemático compartido, donde puede medir cuánto se parecen entre sí incluso cuando pertenecen a organismos diferentes. Eso permite trabajar con combinaciones de datos genéticos cuyo volumen vuelve muy difícil cualquier análisis humano simultáneo y abre un terreno nuevo para la investigación biológica básica.

Entre los horizontes que quedan planteados aparece la posibilidad de proyectar características de células funcionales que todavía no existen, una línea que en el futuro podría orientar el diseño de células con fines terapéuticos. Por ahora, sin embargo, el equipo de Stanford prefiere presentar a TranscriptFormer como una herramienta para investigar, más que como una fábrica de células a pedido.