Una IA ayuda a predecir cómo reaccionan las células enfermas

Los métodos tradicionales de investigación en biología revelan cómo las células realizan su trabajo o reaccionan a las perturbaciones, pero no pueden hacer predicciones sobre cómo funcionan las células o cómo reaccionarán a los cambios, como una mutación que causa cáncer.

“Poder predecir con precisión las actividades de una célula transformaría nuestra comprensión de los procesos biológicos fundamentales”, afirma el profesor de Biología Raul Rabadan, de la Universidad de Columbia. “La biología dejaría de ser una ciencia que describe procesos aparentemente aleatorios para ser una ciencia capaz de predecir los sistemas subyacentes que rigen el comportamiento celular”.

Una célula humana afectada por tumor canceroso. Freepik

Predicciones de la IA

Mediante un nuevo método de inteligencia artificial (IA), los investigadores de la Facultad de Medicina y Cirujanos Vagelos de la Universidad de Columbia pueden predecir con precisión la actividad de los genes dentro de cualquier célula humana, revelando esencialmente los mecanismos internos de la célula. El sistema podría transformar la forma en que los científicos trabajan para comprender todo, desde el cáncer hasta las enfermedades genéticas.

“Los modelos computacionales predictivos generalizables nos permiten descubrir procesos biológicos de forma rápida y precisa. Estos métodos pueden llevar a cabo experimentos computacionales a gran escala de manera eficaz, impulsando y guiando los enfoques experimentales tradicionales”, concluye Rabadan.

Genes activos

En el nuevo estudio, Rabadan y sus colegas intentaron utilizar la IA para predecir qué genes están activos en células específicas. Esta información sobre la expresión genética puede indicar a los investigadores la identidad de la célula y cómo realiza sus funciones.

“Los modelos anteriores se han entrenado con datos de tipos de líneas celulares cancerosas, algo que tiene poca semejanza con las células normales”, dice Rabadan.

Xi Fu, un estudiante de posgrado en el laboratorio de Rabadan, cambió el enfoque y entrenó un modelo de aprendizaje automático con datos de expresión genética de millones de células de tejidos humanos sanos. Los datos de entrada consistían en secuencias genómicas e información sobre partes del genoma accesibles y que se expresan.

Al igual que otros sistemas de IA, este utiliza un conjunto de datos de entrenamiento para identificar reglas subyacentes, la gramática del lenguaje. “Aprendemos la gramática en muchos estados celulares diferentes y luego pasamos a una condición particular e intentamos ver qué tan bien predecimos patrones”, explica Rabadan.

Tras el entrenamiento con datos de más de 1,3 millones de células humanas, el sistema se volvió lo suficientemente preciso como para predecir la expresión genética en tipos de células que no conocía, logrando resultados que coincidían estrechamente con los datos experimentales.

¿Y las mutaciones?

Dando un paso más, los investigadores demostraron el poder de esta IA cuando le pidieron que descubriera la biología aún oculta de células enfermas, concretamente de una forma hereditaria de leucemia pediátrica.

“Estos niños heredan un gen mutado, y no estaba claro exactamente qué es lo que estaban haciendo estas mutaciones”, dice Rabadan.

Con la IA, los investigadores predijeron que las mutaciones alteran la interacción entre dos factores de transcripción diferentes que determinan el destino de las células leucémicas. Los experimentos de laboratorio confirmaron la predicción de la IA. Comprender el efecto de estas mutaciones revela mecanismos específicos que impulsan esta enfermedad.

Desvelar la ‘materia oscura’ del genoma

Los nuevos métodos computacionales también deberían permitir comenzar a explorar el papel de la materia oscura del genoma, un término tomado de la cosmología que se refiere a una gran parte del genoma que no contiene genes conocidos que codifiquen proteínas.

“La gran mayoría de las mutaciones en los pacientes con cáncer se encuentran en las llamadas regiones oscuras del genoma. Estas mutaciones no afectan la función de una proteína y han permanecido en su mayor parte sin explorar”, afirma Rabadan. “La idea es que, utilizando estos modelos, podamos observar las mutaciones y arrojar luz sobre esa parte del genoma”. El trabajo también abre nuevas vías para comprender muchas enfermedades más allá del cáncer y potencialmente identificar objetivos para nuevos tratamientos.