Un modelo infiere señales que guiaron células durante el desarrollo

Las células que terminan formando un tejido no toman sus decisiones en aislamiento. Durante el desarrollo reciben señales químicas de su entorno, y esas instrucciones influyen en qué genes activan y en qué tipo de célula pueden convertirse. Un equipo del Whitehead Institute y del MIT desarrolló un método que intenta reconstruir parte de esa historia a partir de una fotografía molecular tomada mucho después: la actividad de los genes de cada célula.

La herramienta se llama IRIS y combina experimentos de laboratorio con aprendizaje automático. Para entrenarla, los investigadores trabajaron con células madre humanas en cultivo y modificaron de forma controlada señales que participan en su desarrollo. Después midieron cuáles genes estaban activos en cada condición. Con esos patrones, el modelo aprendió a asociar ciertas huellas de expresión génica con instrucciones químicas recibidas previamente.

El siguiente paso fue probar si ese aprendizaje podía trasladarse a un escenario más complejo. El equipo aplicó el modelo a conjuntos de datos de células individuales de embriones de ratón. En lugar de limitarse a clasificar las células por su estado presente, IRIS estimó qué señales probablemente habían influido en distintos linajes mientras el embrión organizaba sus primeras capas y tejidos. Las predicciones coincidieron con parte de los conocimientos previos sobre ese proceso y permitieron reconstruir trayectorias que no se observan de manera directa en una única medición.

La idea se parece a inferir el recorrido de una persona a partir de las marcas que dejó en sus pertenencias: la expresión de los genes no conserva una lista literal de todas las señales, pero sí puede retener consecuencias de ellas. Esto podría ayudar a aprovechar mejor los grandes atlas de células individuales, que describen qué genes están activos pero no siempre registran las señales transitorias que llevaron a cada estado celular.

El avance también ofrece una forma de poner a prueba modelos computacionales en biología. Las predicciones no surgieron solo de datos observacionales: se compararon con experimentos en los que las señales habían sido alteradas de forma conocida. Esa combinación es importante porque un modelo puede detectar asociaciones útiles sin que estas representen necesariamente una relación causal.

Los resultados no equivalen a observar todas las conversaciones químicas de un embrión. El entrenamiento se realizó en células madre humanas cultivadas en laboratorio y la demostración con datos de desarrollo se hizo con embriones de ratón. Además, una inferencia depende de las señales incluidas en el entrenamiento y de la calidad de los datos disponibles. Por ahora, el método no demuestra una aplicación clínica ni permite predecir por sí solo cómo se formará un órgano; propone, en cambio, una manera de formular y contrastar preguntas más precisas sobre los pasos que siguen las células al construir tejidos.