A uno le cuesta, al principio, hacerse a la idea de que una máquina pueda mirar el interior de una célula y decir si está sana o está enferma. Y sin embargo eso, justamente, es lo que acaba de mostrar un equipo de la Facultad de Medicina de la Universidad de Stanford con TranscriptFormer, una herramienta de inteligencia artificial que analiza la actividad de los genes para reconocer tipos celulares y compararlos entre especies distintas, incluyendo animales que no formaron parte de su entrenamiento. El anuncio, que se conoció esta semana, vuelve a poner sobre la mesa el potencial de estos modelos para abordar volúmenes de información genética que exceden la capacidad humana de procesamiento simultáneo, y al mismo tiempo recuerda que la aplicación más ambiciosa, que es diseñar células a medida para tratamientos personalizados, sigue siendo por ahora una posibilidad futura y no un hecho concreto.

Cómo aprende la herramienta

Para entrenarse, TranscriptFormer trabajó con datos de 112 millones de células provenientes de 12 especies diferentes, organizadas en atlas que reúnen información sobre células y tejidos. El procedimiento de aprendizaje fue comparable al que usan los grandes modelos de lenguaje: el sistema debió predecir valores de expresión génica faltantes, un poco como cuando esas plataformas completan una palabra que falta en una oración. Así, en lugar de memorizar respuestas, el modelo aprendió a reconocer patrones en los genes que cada célula activa, y a partir de allí construyó un espacio matemático compartido donde puede medir cuánto se parecen dos células cualesquiera, incluso si pertenecen a organismos muy alejados entre sí en el árbol de la vida.

La clave de todo está en algo que los especialistas llaman expresión génica, es decir, qué genes enciende cada célula y en qué medida. Compartir un gen no significa compartir una función: una célula beta del páncreas, por ejemplo, utiliza genes vinculados a la producción y liberación de insulina, mientras que los linfocitos B se sirven de otros genes para fabricar anticuerpos. Esos patrones, leídos en conjunto, son los que permiten distinguir identidades y estados celulares, y los que esta inteligencia artificial aprendió a interpretar con un nivel de detalle que, hasta hace poco, requería equipos de investigación enteros y meses de trabajo.

Qué encontró al comparar especies

Una de las aplicaciones más llamativas del modelo fue investigar el origen evolutivo de las neuronas. Al cruzar datos de organismos distintos, TranscriptFormer detectó similitudes entre los coanocitos de las esponjas, unos células dotadas de flagelos que les permiten capturar alimento, y las neuronas de un gusano microscópico y de una rana. Esa relación ofrece pistas concretas para estudiar cómo pudieron surgir esas células tan particulares del sistema nervioso y qué funciones cumplían en sus parientes más lejanos.

La herramienta también aportó una lectura inesperada sobre las llamadas células neuroides de las esponjas, que llevan ese nombre porque comparten algunos rasgos con las neuronas. Cuando TranscriptFormer comparó su actividad genética, descubrió que se parecía más a la de una glándula de rana que a la de una neurona. El hallazgo sugiere que esas células podrían participar en procesos digestivos, y deja en evidencia cómo un análisis de este tipo puede cuestionar suposiciones largamente instaladas en la literatura científica.

Para quienes seguimos de cerca estos avances, lo más valioso no es la espectacularidad del anuncio, sino el tipo de preguntas que empieza a hacer viable. Cuando un instrumento puede mirar 112 millones de células como si fueran una sola conversación, la biología deja de discutir caso por caso y empieza a discutir patrones. Y en ese desplazamiento, que a veces parece menor pero no lo es, se juega buena parte de lo que viene en la investigación biomédica de los próximos años.