IRIS, la inteligencia artificial que aprende el idioma con el que las células eligen su destino

En el Instituto Whitehead, un equipo de biólogos y especialistas en aprendizaje automático presentó a IRIS, un sistema de inteligencia artificial capaz de interpretar las señales químicas que ordenan a una célula convertirse en otra cosa. Lo que hasta ahora demandaba años de trabajo de laboratorio se resume en un mapa predictivo: ante una combinación determinada de mensajes moleculares, IRIS anticipa con precisión el destino celular. La herramienta se entrenó con células madre de ratón y de humano y ya demostró resultados concretos en embriones de ratón y en el cultivo de tejido pulmonar en placa.

Cómo hablan las células entre sí

Durante el desarrollo embrionario, las células no trabajan aisladas. Se mandan mensajes químicos, como pequeños recetarios que indican qué ingredientes agregar y en qué momento, para que cada célula se transforme en neurona, en fibra muscular, en parte de un pulmón o del corazón. Descifrar ese código fue siempre uno de los mayores desafíos de la biología del desarrollo, porque la cantidad de combinaciones entre señales y respuestas es enorme. IRIS se entrena con seis señales químicas fundamentales, las activa y desactiva en miles de combinaciones y registra cómo cambia la actividad genética de cada célula. Con esos datos construye un mapa de equivalencias que vincula cada receta molecular con un destino celular concreto.

La técnica se apoya en lo que los ingenieros llaman aprendizaje por transferencia: un sistema que aprende una tarea puede aplicar ese conocimiento a otra distinta, igual que alguien que maneja bien una cocina italiana puede adaptarse a una francesa sin empezar de cero. La investigadora Pulin Li, del Instituto Whitehead y profesora de biología en el MIT, lo explica con una analogía cotidiana: pensar en los asistentes de voz que se entrenan principalmente en inglés y después usan ese entrenamiento para reconocer otros idiomas. De la misma manera, IRIS aprende a identificar una señal química en un grupo celular y la reconoce luego en tejidos completamente diferentes, incluso en aquellos que nunca vio durante el entrenamiento.

Qué se vio en las pruebas

En embriones de ratón, IRIS anticipó con exactitud qué combinaciones de señales conducen a la formación del corazón, los pulmones, los músculos, los intestinos y la médula espinal. También superó una prueba especialmente exigente: la segmentación embrionaria, el proceso por el cual el cuerpo se organiza en partes a partir de mensajes que llegan desde dos direcciones opuestas. Y cuando se lo enfrentó a tipos de células nerviosas que nunca había procesado, sus predicciones coincidieron con lo que la biología ya conocía acerca de la formación del sistema nervioso.

• Anticipa con precisión las señales que forman corazón, pulmones, músculos, intestinos y médula espinal en embriones de ratón.
• Resuelve la segmentación embrionaria sin haber sido entrenado para esa tarea específica.
• Reconoce tipos celulares del sistema nervioso que nunca formaron parte de su entrenamiento.
• Mejora el cultivo de tejido pulmonar en laboratorio, con potencial aplicación en asma y fibrosis pulmonar.

Por qué importa para la medicina

El paso siguiente fue el más aplicado: los investigadores usaron a IRIS para optimizar el cultivo de tejido pulmonar en laboratorio, un área donde conseguir células que se comporten como las del pulmón real sigue siendo muy difícil. Si el sistema permite identificar las señales químicas correctas y combinarlas en el orden justo, podrían generarse mejores modelos de enfermedad para estudiar asma, fibrosis pulmonar y otras patologías respiratorias. En paralelo, abre la puerta a fabricar en el laboratorio tejidos específicos para ensayos de fármacos, sin depender de biopsias humanas difíciles de obtener.

Todavía quedan preguntas abiertas que el propio equipo reconoce. IRIS fue entrenado con un número acotado de señales químicas, apenas seis, cuando la biología real involucra decenas de ellas interactuando en simultáneo. Tampoco está claro cómo escalará el sistema cuando se enfrente a tejidos humanos adultos, donde las combinaciones de señales son más complejas que en un embrión en formación. Y resta validar si las predicciones que el sistema hace en una placa de laboratorio se sostienen cuando se prueban en organismos vivos. Por ahora, lo que cambió es que la pregunta dejar de ser qué le pasa a esta célula para empezar a ser qué mensaje hay que mandarle.