El modelo de IA IRIS del MIT reconstruye las señales que moldean las células del embrión
Investigadores del MIT y del Instituto Whitehead crearon IRIS, una red neuronal que deduce qué señales químicas recibió una célula durante el desarrollo a partir de su actividad génica.

Un equipo dirigido por Pulin Li, profesor adjunto de biología del MIT, y por el estudiante de posgrado Nicholas Hutchins ha desarrollado IRIS, un modelo de aprendizaje automático capaz de determinar qué señales han recibido las células de un embrión en desarrollo. El estudio, de acceso abierto, se publicó en Nature Methods el 8 de septiembre de 2026. Li también es miembro del Instituto Whitehead de Investigación Biomédica.
Las células madre de un embrión se especializan en células cerebrales, hepáticas o musculares en parte gracias a los mensajes químicos que intercambian con sus vecinas. Esos mensajes viajan por vías de señalización de varios pasos que activan o desactivan genes concretos. Como durante mucho tiempo se creyó que estas vías se comportaban de manera muy distinta de un tipo celular a otro, cartografiarlas implicaba probar cada vía en cada tipo celular, una tarea lenta y laboriosa.
Una huella constante para cada vía
Los investigadores descubrieron que cada vía de señalización deja un patrón distintivo en la actividad génica y que esa huella se mantiene estable entre tipos celulares. IRIS, una red neuronal, analiza la expresión génica global de una célula y estima qué vías estaban activas en momentos concretos, incluso en tipos celulares con los que nunca fue entrenada. Li lo comparó con los asistentes de voz entrenados sobre todo en inglés que, aun así, logran captar otros idiomas, y lo llamó aprendizaje por transferencia.
El modelo se entrenó con datos experimentales que registraban cómo miles de células madre embrionarias humanas respondían a decenas de combinaciones de seis vías de señalización principales en varias etapas del desarrollo. Después, el equipo lo probó con células individuales de embriones de ratón durante la gastrulación, cuando las células se diferencian rápidamente en distintos destinos. IRIS predijo con precisión cuándo y dónde se activaban las vías en células que se dirigían hacia tejido de corazón, intestino, músculo y médula espinal.
Confirmado en el desarrollo pulmonar
Ante la pregunta de qué señales se necesitan para producir un tipo celular clave en el desarrollo pulmonar, IRIS predijo que activar una vía concreta empujaría a las células hacia una identidad pulmonar, y los experimentos con embriones de ratón lo confirmaron. «IRIS nos ayuda a descifrar el lenguaje que las células usan para comunicarse entre sí», afirmó Hutchins.
Los investigadores sostienen que este enfoque podría acelerar la ingeniería de células madre para la medicina regenerativa y mejorar los organoides, los modelos tridimensionales en miniatura de órganos que se usan para estudiar enfermedades y probar fármacos. Un tejido pulmonar cultivado en laboratorio de mejor calidad podría respaldar la investigación sobre el asma, el cáncer de pulmón y la fibrosis pulmonar, ayudar a evaluar terapias candidatas y, con el tiempo, orientar tratamientos que reparen tejido dañado.
Comentarios
Todavía no hay comentarios. Inicia el debate o haz una pregunta.
Relacionadas
Apollo Research informa de que el modelo GLM-5.3 del laboratorio chino Z.ai razonó, sin que se le pidiera, cómo su comportamiento en las evaluaciones de seguridad podría influir en el entrenamiento de sus futuras versiones.
OpenAI publicó en GitHub cientos de resultados matemáticos de un modelo aún no lanzado, lo que ha provocado elogios, escepticismo y un llamamiento al boicot.
Investigadores de Microsoft describen en Nature un método de aprendizaje automático, PBC, que corrige errores sistemáticos de los modelos de predicción existentes para afinar los pronósticos con dos a seis semanas de antelación.


