El Technion presentó una plataforma que utiliza aprendizaje automático para interpretar datos de secuenciación de ARN de célula única y detectar patrones celulares que podrían indicar enfermedades antes de que se manifiesten clínicamente. Crédito foto: Vitaly Gariev/Unsplash
Investigadores del Technion, en Israel, presentaron una nueva plataforma basada en inteligencia artificial (IA) que permite interpretar con mayor claridad datos celulares complejos, abriendo el camino a herramientas para prever enfermedades, y nuevas aplicaciones clínicas y comerciales.
La capacidad de detectar enfermedades en etapas iniciales es uno de los principales desafíos —y también uno de los mercados de mayor proyección— de la biomedicina contemporánea. En ese contexto, el desarrollo liderado por el doctor Dvir Aran, del Technion, apunta directamente a resolver uno de los cuellos de botella más relevantes de la investigación médica basada en datos.
El trabajo se apoya en la secuenciación de ARN de célula única, una tecnología que permite analizar la actividad genética de células individuales y comprender con gran precisión cómo funcionan tejidos sanos y enfermos.
Si bien esta técnica revolucionó la investigación biomédica, también generó un nuevo problema: la enorme complejidad y el alto nivel de ruido de los datos dificultan extraer conclusiones claras, especialmente cuando se trata de identificar alteraciones sutiles asociadas a enfermedades.
Para superar esas limitaciones, el equipo del Technion desarrolló CellMentor, una plataforma informática que integra aprendizaje automático y biología computacional para analizar datos de scRNA-seq provenientes de múltiples fuentes.
El método fue presentado en la revista científica Nature Communications y su desarrollo contó con la participación de las investigadoras Or Hevdeli y Kate Petrenko, formadas en el laboratorio del doctor Aran.
A diferencia de los enfoques tradicionales, CellMentor utiliza un nuevo concepto denominado «reducción de dimensionalidad consciente del tipo celular». En términos prácticos, eso significa que el sistema transforma conjuntos de datos extremadamente grandes en representaciones más simples, pero sin perder la información biológica crítica que permite distinguir entre distintos tipos de células.
¿El resultado? Una mayor precisión en la identificación celular y una mejor corrección de variaciones técnicas entre experimentos.
Las pruebas realizadas mostraron que la plataforma funciona de manera consistente tanto en simulaciones complejas como en datos reales, y en distintos contextos biológicos, incluyendo células sanguíneas, pancreáticas y tumorales.
Un punto especialmente relevante es su capacidad para detectar poblaciones celulares muy poco frecuentes, que pueden representar apenas el uno por ciento de una muestra, un aspecto clave para la investigación oncológica y el diagnóstico temprano.
Según explicó Aran, la herramienta «no solo es eficaz en teoría: en un estudio independiente en nuestro laboratorio utilizamos CellMentor para analizar células de un tumor sólido (neuroblastoma) y descubrimos un mecanismo que no podría haberse detectado utilizando métodos estándar».
Esta plataforma «ya está ayudando a integrar múltiples conjuntos de datos, profundizando nuestra comprensión de tejidos complejos y avanzando la investigación de enfermedades basada en patrones celulares», completó el investigador de la universidad israelí.
