La biología celular y molecular atraviesa una fase en la que las herramientas de inteligencia artificial redefinen la manera en que los investigadores exploran lo vivo. Dos ejes estructuran los avances recientes: la modelización computacional de células a gran escala y la cartografía tridimensional del genoma. Estos descubrimientos ya no son ciencia ficción, alimentan pipelines de investigación concretos en laboratorio.
Modelos universales de la célula: la IA aplicada a la biología inter-especies
Los modelos de lenguaje han transformado el procesamiento de texto. Una lógica análoga se aplica ahora a los datos biológicos. En septiembre de 2026, equipos de Stanford presentaron dos herramientas clave: Universal Cell Embedding y TranscriptFormer.
TranscriptFormer ha sido entrenado con datos de 112 millones de células de 12 especies, desde levaduras hasta humanos. El objetivo: cartografiar los estados celulares a través de aproximadamente 1,5 mil millones de años de evolución. Este tipo de enfoque permite transferir conocimientos adquiridos sobre un organismo modelo (el ratón, el pez cebra) directamente a la biología humana.
Lo que diferencia estos trabajos de enfoques anteriores es su dimensión inter-especies. Comparar directamente el estado de una célula de levadura con el de una célula humana era un ejercicio teórico. Estos modelos fundamentales hacen que la comparación sea operativa, cuantificable y reproducible en laboratorio. Entre las últimas noticias de Bio Geek, este giro hacia la modelización celular universal es uno de los temas más seguidos por la comunidad científica francófona.
Atlas celulares humanos de nueva generación
Los atlas transcriptómicos sirven de referencia para entender qué genes están activos en cada tipo de célula. La actualización Tabula Sapiens 2.0, difundida en pre-publicación en septiembre de 2026, propone un atlas humano considerablemente ampliado en comparación con la primera versión.
Esta segunda generación integra decenas de tejidos y ofrece una resolución espacial que los primeros atlas no permitían. El desafío no se limita a catalogar células: se trata de entender cómo las células interactúan en un espacio tridimensional, y cómo estas interacciones varían de un órgano a otro.
Por qué la 3D cambia las reglas del juego para la investigación
Un atlas 2D ofrece una fotografía. Un atlas 3D proporciona una arquitectura. Para la investigación sobre enfermedades como el cáncer o las enfermedades autoinmunes, saber dónde se encuentra una célula en un tejido (y qué células la rodean) modifica radicalmente la interpretación de los datos. Comprender cómo el ADN se pliega en el espacio para activar o reprimir ciertos genes es un desafío central de este enfoque tridimensional.
IA y descubrimiento de medicamentos: aceleración de los plazos preclínicos
La inteligencia artificial no solo modela las células. También acorta las etapas de descubrimiento de nuevas moléculas terapéuticas. Varias plataformas combinan ahora IA generativa y cribado molecular para proponer candidatos a medicamentos antes de los ensayos clínicos.
El principio se basa en dos capacidades complementarias:
- La predicción de estructuras proteicas, que permite identificar dianas terapéuticas sin costosa cristalografía
- La generación de moléculas candidatas mediante algoritmos entrenados en bibliotecas químicas masivas
El paso de la predicción a la generación de moléculas constituye el cambio de paradigma. Las herramientas anteriores filtraban bases de datos existentes. Los enfoques actuales crean moléculas nuevas, optimizadas para una diana específica, y luego las prueban en un ciclo rápido.
Decodificación del ADN no codificante: leer el genoma de otra manera
La secuenciación del genoma humano, completada a principios de los años 2000, dejó una pregunta abierta: ¿para qué sirven las vastas regiones de ADN que no codifican ninguna proteína? Estas zonas, durante mucho tiempo calificadas (erróneamente) de ADN “basura”, concentran hoy una parte creciente de la investigación en genómica.
Trabajos recientes se basan en redes neuronales profundas para decodificar la gramática reguladora del ADN no codificante. Estas regiones contienen secuencias que controlan cuándo, dónde y en qué cantidad se expresa un gen. Comprender esta gramática abre la puerta a una lectura funcional del genoma, más allá del simple inventario de genes.
Aplicaciones concretas en medicina de precisión
Identificar una mutación en un gen codificante sigue siendo relativamente directo. Identificar una mutación en una zona reguladora, comprender su efecto sobre la expresión de un gen que a veces se encuentra muy lejos en el cromosoma, y luego relacionar este efecto con una enfermedad: esta cadena de análisis requiere herramientas computacionales poderosas. Los modelos de IA entrenados en datos multi-especies (como los de Stanford) alimentan directamente este tipo de análisis, proporcionando referencias cruzadas entre organismos.
- Los variantes genéticos en las regiones no codificantes representan la mayoría de las señales detectadas por los estudios de asociación pangénomica
- Las herramientas actuales permiten predecir el impacto funcional de estos variantes sin recurrir sistemáticamente a experimentos en laboratorio
- La combinación de atlas celular y modelo predictivo acelera el paso del descubrimiento genómico al diagnóstico clínico
La convergencia entre atlas celulares 3D, modelos de IA inter-especies y análisis del ADN no codificante dibuja un marco de investigación unificado. Cada bloque alimenta a los otros. La biología de 2026 ya no avanza disciplina por disciplina, sino por integración de capas de datos que, aisladas, seguían siendo difíciles de interpretar.
