Un hemograma y aprendizaje automático detectan señales de radiación en ratones

Un modelo entrenado con hemogramas identificó exposición previa a rayos X en ratones, pero su desempeño cambió al probarse en poblaciones con mayor diversidad genética.

Por Redacción Ciencias.UY 19 de octubre de 2026 a las 12:45 4 min de lectura
Imagen: Berkeley Lab News Center Imagen acompañante del artículo fuente; atribución preservada Fuente de imagen
Investigador con bata frente a un microscopio y un monitor durante un trabajo de laboratorio sobre análisis de sangre.

Después de una exposición a radiación, decidir con rapidez quién necesita atención o seguimiento puede ser difícil. Las pruebas usadas para estimar la dosis recibida suelen requerir laboratorios especializados y tiempo. Un equipo de investigación exploró si un análisis de sangre de rutina —el hemograma— contiene señales suficientes para identificar una exposición previa. El resultado es prometedor en ratones, aunque todavía está lejos de constituir una prueba para personas.

El hemograma cuenta y caracteriza células de la sangre, como glóbulos rojos, glóbulos blancos y plaquetas. La radiación puede modificar esas poblaciones, pero una medición aislada no siempre permite separar ese efecto de otras causas. Los investigadores emplearon aprendizaje automático para buscar patrones que surgen de varias medidas tomadas en conjunto, en vez de depender de un único valor del análisis.

El trabajo reunió hemogramas de 1.151 ratones domésticos (Mus musculus) de dos cepas de laboratorio. Los animales habían recibido rayos X de cuerpo entero, con dosis entre 0,05 y 4 grays, o una exposición simulada. Las muestras se obtuvieron entre uno y 150 días después. Con esos datos, el modelo denominado Sparse CBC aprendió a distinguir la exposición y a estimar su rango de dosis.

Para probar si el resultado no dependía solo de los datos usados para entrenarlo, el equipo evaluó el sistema a doble ciego en otros 431 ratones de las mismas cepas. En esa prueba, las medidas de rendimiento —incluidas exactitud y sensibilidad— superaron el 80 %. Es una señal de que el modelo pudo recuperar información útil de hemogramas que no resulta evidente al mirar cada parámetro por separado.

La prueba más exigente llegó al aplicarlo a datos de 1.720 animales de 35 cepas genéticamente diversas. Allí el desempeño fue más modesto y varió entre cepas. Esa diferencia importa: personas con una misma exposición pueden responder de manera distinta según su genética, su edad, su estado de salud y el tiempo transcurrido. Un sistema destinado a ayudar en una emergencia no puede asumir que todos los organismos dejan la misma huella en la sangre.

La investigación ilustra tanto una posibilidad como una precaución. Un hemograma es un estudio accesible y podría servir, en el futuro, como primer filtro para decidir quién requiere análisis confirmatorios. Pero todos los datos de este trabajo proceden de ratones expuestos en condiciones controladas. Antes de considerar un uso clínico, el método deberá validarse en poblaciones humanas diversas y demostrar que mantiene su utilidad frente a las muchas causas no radiológicas que también alteran un hemograma.

Imagen

Berkeley Lab News Center · Imagen acompañante del artículo fuente; atribución preservada · Fuente de imagen

Cita original

Chang, H., Yao, Y., DeChant, J., Obst-Huebl, L., Wan, K. H., Park, S., Fisher, W., Nakamura, K., Celniker, S. E., Snijders, A. M., Mao, J.-H., & Inman, J. L. (2026). Identifying predictive hematological biomarkers for radiation exposure by machine learning in mouse models. Communications Medicine, 6(1), 516. https://doi.org/10.1038/s43856-026-01690-8

Relacionadas por categoría

Ver mas

Más de la misma fuente

Ver mas

Más del mismo autor

Ver mas