Una IA para comparar células a través de 700 millones de años

Comparar una célula humana con una de ratón, pez o esponja parece una tarea directa: bastaría con buscar los mismos genes. Pero la evolución complica ese atajo. Un mismo trabajo celular puede sostenerse con genes que cambiaron de forma, se duplicaron o dejaron de tener una correspondencia simple entre especies. Un nuevo método computacional, llamado Unify, propone otra vía: buscar semejanzas por la función conjunta de los genes y no solo por coincidencias uno a uno.

La dificultad importa porque gran parte de la biología moderna estudia células de organismos modelo para formular preguntas sobre procesos que también ocurren en las personas. Esas comparaciones son valiosas, pero no convierten automáticamente un resultado en ratones en un resultado humano. Además, los experimentos de secuenciación de ARN de célula única —una técnica que registra qué genes están activos en miles de células individuales— pueden introducir diferencias técnicas que se confundan con diferencias biológicas reales.

El equipo desarrolló Unify para separar esos dos problemas. El sistema reúne la información del ARN activo en cada célula con descripciones computacionales de las proteínas y de las funciones conocidas de los genes. En lugar de obligar a que cada gen de una especie tenga un único equivalente en otra, agrupa genes que parecen participar en tareas biológicas parecidas. Esos grupos funcionan como puntos de referencia para alinear conjuntos de datos celulares muy distintos.

Para ponerlo a prueba, los investigadores compararon datos de siete especies y 125 tipos de células, con linajes separados por más de 700 millones de años de evolución. El método reconstruyó relaciones entre tipos celulares con mayor fidelidad que varias estrategias de comparación utilizadas como referencia, según las evaluaciones del estudio. También identificó casos en los que genes poco parecidos en su secuencia podían converger en una función semejante, y otros en los que genes emparentados habían terminado cumpliendo tareas diferentes.

La imagen más intuitiva es la de una traducción que no se limita a emparejar palabras idénticas. Dos idiomas pueden usar expresiones distintas para comunicar la misma idea; del mismo modo, especies lejanas pueden conservar una tarea celular aunque sus genes no encajen en una lista de equivalencias simples. La comparación funcional no elimina las diferencias evolutivas: intenta convertirlas en una parte explícita del análisis.

Un resultado particularmente relevante fue la predicción de cómo cambiaría la actividad genética de células ante ciertas perturbaciones al pasar de ratón a humano. En las pruebas computacionales, Unify fue más preciso que los métodos comparados. Esto puede ayudar a priorizar hipótesis antes de diseñar experimentos costosos, por ejemplo al decidir qué observación obtenida en un organismo modelo merece estudiarse después en tejido humano.

Sin embargo, esa promesa tiene límites claros. La herramienta fue evaluada con conjuntos de datos existentes y sus predicciones se contrastaron dentro de ese marco; no sustituye experimentos en personas ni demuestra por sí sola que una intervención vaya a funcionar en medicina. Sus resultados también dependen de la calidad, variedad y anotación de los datos disponibles. Una población celular mal representada o una especie poco estudiada sigue siendo un problema que ningún algoritmo resuelve por completo.

El aporte más inmediato es metodológico: ofrece una manera de preguntar qué partes de una célula se conservaron, cuáles cambiaron y cuáles solo parecen distintas por cómo se midieron. Al hacer más explícita la distancia entre especies, puede volver más cuidadosas las comparaciones que conectan la evolución de los animales con preguntas actuales sobre el funcionamiento de las células.