Cada célula de un embrión llega a ser lo que es en parte por las señales químicas que recibió por el camino, pero esas señales no dejan un registro evidente. Averiguar cuáles actuaron, y cuándo, suele exigir experimentos lentos en animales, una vía y un tipo celular cada vez, y es casi imposible en tejido humano. Un equipo del Whitehead Institute del MIT ha creado una red neuronal, IRIS, que lee esa historia a partir de la actividad génica de la célula. El trabajo se publicó en Nature Methods el 8 de septiembre de 2026.
El hallazgo clave es que cada vía de señalización deja un patrón reconocible en la actividad génica que se parece mucho en tipos celulares muy distintos. Eso contradice la creencia extendida de que las respuestas son específicas de cada tipo celular, y es lo que permite la transferencia. El equipo, dirigido por Pulin Li con el estudiante de doctorado Nicholas Hutchins, expuso miles de células madre embrionarias humanas a decenas de combinaciones de seis grandes vías del desarrollo, entre ellas WNT, BMP, FGF, ácido retinoico y Hedgehog, en varias etapas, y entrenó IRIS con el atlas resultante. Li lo compara con un asistente de voz entrenado sobre todo en inglés que aun así aprende otros idiomas.
Las pruebas son lo que distingue al artículo. Aplicado a células individuales de embriones de ratón en gastrulación, IRIS situó correctamente cuándo y dónde se activaban las vías en células camino de corazón, intestino, músculo y médula espinal. También predijo que la señalización WNT ayuda a orientar células mesenquimales tempranas hacia una identidad de soporte pulmonar, y el equipo lo confirmó en tejido de intestino anterior de ratón cultivado. Después usaron esa predicción para ajustar un protocolo publicado de células madre para mesénquima respiratorio, un paso hacia organoides pulmonares con estructura ramificada.
Para quien sigue la IA en ciencia, es un buen contrapunto a los grandes modelos generales que solemos cubrir. IRIS es una red pequeña y hecha a medida cuyo valor procede de un experimento cuidadosamente diseñado que genera sus datos de entrenamiento, y se comprobó con embriones reales y no con benchmarks. Encaja en la misma tendencia amplia que el trabajo de biología con agentes de Google DeepMind y OpenAI, pero sus afirmaciones son más acotadas y están mejor probadas.
Hay límites. Las predicciones cubren seis vías, y los propios autores vieron que los métodos antiguos basados en genes marcadores funcionaban mal para algunas, señal de que unas vías son más difíciles de leer que otras. Modificar solo WNT, señalan, difícilmente producirá células pulmonares plenamente equivalentes a las del cuerpo. Los datos de entrenamiento son públicos, pero ni el artículo del MIT ni el texto del trabajo que leímos indican que se haya publicado el código, algo que decidirá la rapidez con que otros laboratorios puedan usarlo. Cartografiar embriones humanos completos, el objetivo declarado del equipo, sigue pendiente.