Investigadores de los Institutos Gladstone desarrollaron MaxToki, un modelo de inteligencia artificial diseñado para predecir cómo evolucionan las células humanas a lo largo del tiempo. La herramienta introduce un enfoque temporal en biología computacional, permitiendo analizar trayectorias de envejecimiento celular y detectar señales tempranas asociadas a enfermedades crónicas.
Un modelo que analiza la evolución temporal de las células
La mayoría de los modelos utilizados en biología computacional analizan el estado de una célula en un momento determinado. Sin embargo, el envejecimiento y numerosas enfermedades se desarrollan mediante cambios progresivos en redes genéticas durante largos períodos.
MaxToki fue desarrollado para abordar esta limitación, incorporando una dimensión temporal que permite estimar hacia qué estado evolucionará una célula en el futuro.
El modelo utiliza datos de secuenciación de ARN de células individuales, conocidos como transcriptomas, que permiten identificar qué genes están activos en cada célula en distintos momentos de la vida humana.
Arquitectura basada en transformadores
MaxToki pertenece a la misma familia de arquitecturas que los grandes modelos de lenguaje utilizados en inteligencia artificial, conocidos como modelos transformadores. En este caso, el sistema fue entrenado específicamente con datos biológicos para identificar patrones en la evolución genética celular.
El modelo fue desarrollado en dos versiones, con aproximadamente 217 millones y 1.000 millones de parámetros, y entrenado utilizando grandes conjuntos de transcriptomas de células humanas provenientes de múltiples tejidos y etapas de vida.
Durante el entrenamiento se utilizaron cerca de 175 millones de transcriptomas celulares provenientes de datos públicos, permitiendo al sistema aprender relaciones entre genes asociados a distintos estados celulares.
Modelización del tiempo biológico
Uno de los aportes principales de MaxToki es su capacidad para estimar la evolución temporal de las células mediante el análisis de secuencias de estados celulares y los intervalos entre ellos.
El modelo puede realizar dos tipos de predicciones:
- estimar cuánto tiempo transcurre entre diferentes estados celulares
- predecir el estado futuro de una célula a partir de su trayectoria biológica previa
Este enfoque permite representar el envejecimiento como un proceso dinámico y continuo, en lugar de una fotografía aislada de un momento biológico.
Resultados experimentales y validación científica
Según el estudio, el modelo logró reducir significativamente el error de predicción en estimaciones temporales del envejecimiento celular en comparación con métodos estadísticos tradicionales.
Asimismo, el sistema demostró capacidad para generalizar predicciones en tipos celulares no incluidos durante el entrenamiento, alcanzando altos niveles de correlación entre las trayectorias estimadas y los datos observados.
El modelo también permitió detectar señales de envejecimiento acelerado en células asociadas a enfermedades como fibrosis pulmonar o Alzheimer, sin haber sido entrenado específicamente con datos de esas patologías.
En experimentos con modelos animales, las predicciones del sistema se vincularon con alteraciones observables en funciones cardíacas relacionadas con el envejecimiento.
Posibles aplicaciones en medicina y ciencias biomédicas
El desarrollo de modelos de IA capaces de analizar trayectorias celulares podría facilitar nuevas estrategias de investigación en:
- enfermedades neurodegenerativas
- patologías cardiovasculares
- fibrosis pulmonar
- medicina preventiva
- investigación genética del envejecimiento
Los investigadores destacan que el enfoque temporal podría contribuir a identificar puntos de intervención antes de que se manifiesten síntomas clínicos visibles.
Conclusión
MaxToki representa un avance en la aplicación de inteligencia artificial al estudio del envejecimiento biológico. Al modelar trayectorias celulares en el tiempo, el sistema permite comprender con mayor precisión cómo evolucionan los procesos genéticos asociados a enfermedades relacionadas con la edad.
El desarrollo de herramientas de este tipo evidencia el creciente papel de la inteligencia artificial en la investigación biomédica, particularmente en el análisis de grandes volúmenes de datos genéticos.