Por Canuto  

Un modelo de aprendizaje automático llamado IRIS identifica patrones de actividad génica que reflejan señales recibidas por las células. El equipo detrás de la herramienta afirma que puede reconocer esas huellas en distintos tipos celulares y que los resultados podrían ayudar a orientar células madre y mejorar modelos de enfermedades.
***

  • IRIS usa una red neuronal para estimar qué vías de señalización estuvieron activas en distintos momentos del desarrollo celular.
  • El modelo se entrenó con respuestas de miles de células madre embrionarias humanas y se probó con células de embriones de ratón.
  • Los investigadores ven posibles aplicaciones en ingeniería de células madre, organoides y estudios de enfermedades pulmonares.

 

Una huella común en la comunicación celular

Las células no definen por sí solas qué función asumirán mientras un embrión se desarrolla. Reciben y envían señales químicas a las células vecinas, y esas instrucciones influyen en los genes que activan o desactivan, así como en su organización dentro de tejidos y órganos. Reconstruir qué mensajes recibió cada célula ayudaría a explicar cómo se forman esas estructuras y qué puede alterarse cuando aparece una enfermedad.

El reto es que una misma señal puede actuar dentro de una secuencia de varios pasos, conocida como vía de señalización, y desembocar en cambios de actividad génica. Los investigadores han supuesto que los efectos de esas vías varían mucho según el tipo celular, por lo que tendrían que estudiar cada combinación por separado. Ese trabajo experimental puede ser minucioso y dificulta reconstruir a gran escala la historia de desarrollo de cada célula.

Un equipo del MIT y del Whitehead Institute for Biomedical Research presenta una alternativa: buscar patrones distintivos de actividad génica asociados a cada vía. El modelo IRIS, desarrollado por el profesor asistente de biología Pulin Li y el estudiante de posgrado Nicholas Hutchins, identifica esas huellas y estima qué señales recibió una célula en momentos específicos. Según los investigadores, una misma vía conserva una firma reconocible entre diferentes tipos de células.

La posibilidad de reutilizar esa firma cambia el alcance del análisis: en vez de reconstruir desde cero cómo responde cada clase de célula, IRIS puede trasladar lo aprendido a células que no encontró durante su entrenamiento. MIT News informó que los resultados de acceso abierto aparecieron en Nature Methods el 8 de septiembre. El enfoque no elimina la experimentación, pero ofrece una vía computacional para localizar señales relevantes sin probar de manera exhaustiva todas las rutas en cada célula.

Cómo funciona y con qué datos se entrenó

IRIS es un modelo basado en una red neuronal, una arquitectura de aprendizaje automático que reconoce patrones en datos complejos. En este caso, analiza la actividad génica general de una célula y calcula qué vías de señalización probablemente estuvieron activas en distintos momentos de su desarrollo. No observa directamente cada mensaje químico recibido en el pasado, sino que infiere esas señales a partir de la huella que dejaron en los genes.

Li y Hutchins entrenaron el modelo con datos experimentales de miles de células madre embrionarias humanas. Esos registros medían cómo respondían las células a docenas de combinaciones de seis vías de señalización principales en varias etapas de desarrollo. El conjunto permitió construir un atlas de respuestas celulares, con el que IRIS aprendió a relacionar combinaciones de señales y cambios en la actividad génica.

El método aprovecha el aprendizaje por transferencia: una herramienta aprende primero de un conjunto de datos y luego aplica ese conocimiento a otros contextos. Li comparó el proceso con sistemas de reconocimiento de voz entrenados principalmente en inglés que pueden aprovechar ese aprendizaje para reconocer otros idiomas. En la analogía, las firmas de señalización son patrones que el modelo puede reconocer aunque cambie el tipo de célula que analiza.

Para probar esa capacidad, el equipo aplicó IRIS a células individuales de embriones de ratón durante la gastrulación, una etapa en la que las células se encaminan rápidamente hacia distintos destinos. El modelo predijo cuándo y dónde se activarían señales en células destinadas a formar tejido cardíaco, intestinal, muscular y de la médula espinal. Los investigadores observaron que esas variaciones en las señales orientan la formación de estructuras en los lugares adecuados.

La prueba relacionada con el desarrollo pulmonar

El equipo también utilizó IRIS para buscar señales necesarias para generar un tipo celular importante en el desarrollo del pulmón. El modelo predijo que activar una vía de señalización específica favorecería ese destino celular, una predicción que después comprobaron en experimentos con embriones de ratón. El resultado aporta una validación experimental de la inferencia, aunque no equivale a demostrar que el método ya produzca tejidos listos para uso médico.

Identificar con mayor precisión las combinaciones de señales podría ayudar a los científicos a crear modelos de tejido pulmonar más consistentes en el laboratorio. Estos sistemas permiten estudiar órganos en miniatura y reproducir algunas de sus características, por lo que pueden servir para investigar procesos biológicos y explorar posibles tratamientos. La herramienta busca, en particular, orientar a las células madre hacia destinos concretos mediante señales que el equipo puede recrear experimentalmente.

Hutchins describió IRIS como una forma de descifrar el lenguaje que las células utilizan para comunicarse, a un ritmo más rápido que el que sería realista alcanzar únicamente con experimentos. La afirmación se refiere a la velocidad con que el modelo puede analizar y proponer historias de señalización, no a que sustituya la comprobación biológica. En el caso pulmonar, precisamente, el equipo recurrió a experimentos con ratones para comprobar la predicción del sistema.

Los autores plantean que modelos pulmonares mejorados podrían servir para estudiar asma, cáncer de pulmón y fibrosis pulmonar, una afección en la que el tejido queda cicatrizado y que, según la fuente, a menudo no tiene una causa conocida. También podrían facilitar pruebas de terapias potenciales y apoyar el diseño de tratamientos regenerativos para reparar tejido dañado. Esas aplicaciones son posibilidades derivadas del enfoque, no resultados clínicos demostrados por este estudio.

Alcance y límites de una nueva herramienta

El aporte central de IRIS es conectar los patrones de actividad génica con las señales que pudieron activarlos, y hacerlo de una manera que puede transferirse entre tipos celulares. Esa capacidad podría ahorrar parte del trabajo de mapear individualmente cada vía en cada célula, una tarea que hasta ahora exige ensayos experimentales específicos. Aun así, la calidad de las inferencias depende de los datos con los que se entrena y de la validación de las predicciones en sistemas biológicos.

El entrenamiento descrito se basó en células madre embrionarias humanas expuestas a combinaciones de seis vías principales, mientras que una de las pruebas se hizo con células individuales de embriones de ratón. Esa combinación permitió evaluar si el aprendizaje podía extenderse a otro contexto y a destinos celulares diversos. No significa que el modelo haya reconstruido todas las señales de todos los tejidos, especies o etapas de desarrollo.

Para la ingeniería de células madre, el interés práctico consiste en identificar qué señales podrían impulsar a una célula hacia un tipo funcional específico y luego reproducir esas condiciones en el laboratorio. Para la investigación de enfermedades, los organoides podrían ofrecer modelos más precisos con los cuales estudiar mecanismos y probar fármacos. El estudio plantea esas oportunidades, pero no informa que IRIS haya generado terapias aprobadas ni que sus predicciones se hayan probado en pacientes.

El trabajo, titulado «Reconstrucción de las historias de señalización de células individuales mediante pantallas de perturbación y aprendizaje por transferencia», propone una herramienta para estudiar cómo las células reciben y procesan instrucciones durante el desarrollo. Su siguiente valor dependerá de cuánto puedan ampliar los investigadores las pruebas y de si las predicciones siguen siendo útiles en otros tipos celulares y modelos de enfermedad. Por ahora, los resultados ofrecen una hoja de ruta experimental para investigar cómo las señales guían la formación de tejidos.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados