Una IA analiza 70 millones de células e identifica reguladores de la autofagia y de STING

Unos 70 millones de células fotografiadas al microscopio durante un cribado genético se han convertido en el material de entrenamiento y análisis de un sistema de IA que busca genes reguladores de la autofagia y de la vía de señalización STING. Jiqizhixin dio a conocer este trabajo el 12 de octubre de 2026. La idea es leer en la imagen lo que antes exigía un reportero fluorescente distinto para cada proceso.

¿Por qué es tan difícil analizar la forma de la célula?

En el interior de una célula, casi cualquier cambio deja una huella visible. Un orgánulo se desplaza, aparece una estructura atípica, aumenta el número de vesículas, y detrás de cada uno de esos rasgos puede haber un proceso biológico concreto. El problema es que la forma de la célula depende a la vez de varios genes y de varios programas celulares. El fenotipo resulta multidimensional, no un simple «encendido» o «apagado».

En este sentido, la fluorescencia es más cómoda: la señal está o no está, y fijar un umbral es sencillo. La morfología no se puede etiquetar así. Dos knockouts pueden producir imágenes parecidas por causas distintas, y un mismo knockout puede verse diferente en células vecinas. Precisamente en este tipo de tareas las redes neuronales para imágenes ofrecen ventaja frente a los rasgos diseñados a mano.

Qué se sabe del trabajo

El fragmento disponible del material solo revela los parámetros básicos. No incluye el nombre del modelo, los autores, la arquitectura ni las métricas de calidad.

• Escala de los datos: unos 70 millones de células.
• Formato de los datos: imágenes de microscopía de células tras perturbaciones genéticas.
• Qué se analiza: rasgos morfológicos, entre ellos la posición de los orgánulos, las estructuras intracelulares anómalas y el número de vesículas.
• Dianas biológicas: la autofagia, es decir, la eliminación de componentes dañados de la célula, y la vía STING, vinculada a la respuesta inmunitaria innata.
• Resultado: una lista de genes que el sistema asocia con la regulación de estos procesos.

La escala importa por una razón práctica. En un cribado, cada perturbación abarca muchas células y el ruido morfológico entre ellas es alto. Sin decenas de millones de observaciones, al modelo le resulta difícil separar el efecto real de un gen de las diferencias aleatorias entre células y entre lotes de muestras.

Cómo evaluar el resultado

Mientras se publiquen pocos detalles, es pronto para sacar conclusiones sobre la precisión. Para los equipos de biotecnología y los ingenieros de ML que siguen este tipo de trabajos, hay varias comprobaciones posibles.

La primera: si los genes hallados se han confirmado con experimentos independientes, por ejemplo mediante un knockout dirigido con un reportero clásico de autofagia. Un cribado sin validación sigue siendo una lista de hipótesis.

La segunda: cómo se transfiere el modelo a otras líneas celulares y a otros microscopios. Los modelos morfológicos memorizan con facilidad las particularidades de una instalación concreta, y es una fuente habitual de métricas infladas.

La tercera: si los datos y el código son abiertos. Un conjunto de 70 millones de imágenes celulares tiene valor en sí mismo, porque permite comparar arquitecturas alternativas y probar otras dianas.

Si el enfoque se confirma, abaratará la búsqueda de reguladores de procesos para los que no existe un marcador fluorescente práctico. STING, por ejemplo, interesa a la industria farmacéutica como diana en inmunología y oncología. Un equipo que construya su propio pipeline de cribado debería prever desde el principio el control de lotes y protocolos de tinción uniformes en la captura de imágenes. Así, el modelo morfológico aprenderá de la biología y no de los artefactos del equipo.