← Últimos artículos
📄 biología sintética

Generative Neuromorphic Programming of Mammalian Cells

Este artículo presenta un marco de programación neuromórfica generativa que combina endorribonucleasas con especificidad de ARN para la construcción de circuitos analógicos con redes neuronales biomórficas para una predicción precisa y un "biocompilador" para el diseño automatizado, permitiendo la ingeniería exitosa en una sola etapa de comportamientos analógicos complejos y previamente no vistos en células mamíferas.

Autores originales: Disset, J., Van De Mark, C., Wachter, G. K. A., Kuo, S.-H., Moorman, A., Xu, W., Palanques Tost, E., Buritica Monroy, A., Belta, C., Weiss, R.

Publicado 2026-09-22
📖 9 min de lectura🧠 Análisis profundo

Autores originales: Disset, J., Van De Mark, C., Wachter, G. K. A., Kuo, S.-H., Moorman, A., Xu, W., Palanques Tost, E., Buritica Monroy, A., Belta, C., Weiss, R.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Las células no son simples interruptores de encendido/apagado; son procesadores sofisticados que pesan constantemente múltiples señales para tomar decisiones. En el mundo natural, una célula puede detectar los niveles de varias proteínas diferentes que flotan cerca y, basándose en la combinación precisa y la fuerza de esas señales, decidir si dividirse, reparar un daño o morir. Esta toma de decisiones ocurre a través de una densa red de conexiones internas que producen respuestas suaves y graduadas en lugar de respuestas binarias de sí o no. Durante décadas, los científicos que intentaban programar células para nuevas tareas han luchado porque sus herramientas fueron construidas para la lógica digital, tratando las partes biológicas como bits de computadora que están completamente encendidos o completamente apagados. Este desajuste hizo que fuera increíblemente difícil diseñar circuitos que pudieran manejar la naturaleza sutil y analógica de los sistemas vivos, lo que a menudo requería años de prueba y error para lograr incluso comportamientos simples.

Un equipo de investigadores del Instituto Tecnológico de Massachusetts y otras instituciones ha cerrado esta brecha enseñando a las células a computar de la manera en que lo hacen naturalmente. Desarrollaron un sistema que trata la maquinaria interna de la célula como una computadora analógica flexible, capaz de realizar cálculos complejos sobre múltiples entradas simultáneamente. En lugar de forzar a las células a seguir reglas digitales rígidas, los investigadores construyeron un motor de software que diseña circuitos genéticos para producir patrones de comportamiento específicos y suaves. Lo demostraron creando tres circuitos genéticos completamente nuevos desde cero, cada uno diseñado para reconocer una combinación única de dos señales de entrada y responder con una salida precisa. Sorprendentemente, cada uno de los circuitos funcionó exactamente como predijo el software al primer intento, sin necesidad de ningún ajuste o modificación manual.

El núcleo de este logro reside en una nueva forma de pensar en cómo interactúan los genes. Los investigadores identificaron cinco bloques básicos que imitan las operaciones de una red neuronal artificial, pero estos bloques están hechos de moléculas biológicas reales. Utilizan enzimas específicas que pueden cortar el ARN para actuar como entradas negativas, restando efectivamente las señales, mientras que otros mecanismos suman las señales. También encontraron formas de ajustar la fuerza de estas conexiones, de forma similar a cómo se gira una perilla de volumen, cambiando las secuencias genéticas que controlan cuánta proteína se produce. Al conectar estos bloques entre sí, crearon un sistema donde una parte del circuito puede alimentar su salida a la siguiente, permitiendo el procesamiento multicapa. Este enfoque permite a la célula computar funciones complejas, como detectar un rango específico de niveles de señal e ignorar todo lo demás, un comportamiento conocido como filtro de paso de banda.

Para hacer práctico este sistema, el equipo creó un paquete de software que llaman biocompiler. Este programa actúa como un traductor entre un comportamiento deseado y las instrucciones de ADN necesarias para construirlo. El software se basa en un modelo llamado red neuronal biomórfica, que aprende cómo funcionan los procesos biológicos estudiando una gran colección de experimentos existentes. En lugar de adivinar las fórmulas matemáticas que gobiernan la interacción de los genes, el software aprende el comportamiento real de estos procesos a partir de datos reales. Trata cada parte genética, como un promotor o una enzima específica, como un componente flexible con una "huella digital" única que el sistema puede ajustar. Cuando un científico quiere que una célula realice una nueva tarea, simplemente describe el patrón de salida deseado y el software busca entre millones de combinaciones posibles de partes y conexiones para encontrar la que producirá ese resultado.

Los investigadores probaron este sistema pidiéndole que diseñara tres patrones de comportamiento distintos que nunca habían sido vistos en sus datos de entrenamiento. El software propuso tres arquitecturas de circuitos completamente nuevas, ninguna de las cuales existía en la biblioteca de partes que había estudiado. El equipo construyó luego estos circuitos en el laboratorio, insertando las instrucciones de ADN en células humanas. En todos los casos, las células produjeron exactamente el patrón que el software había predicho. La coincidencia entre el diseño y la realidad fue tan cercana que la diferencia no fue mayor que la variación natural observada al repetir el mismo experimento varias veces. Este éxito demuestra que el software no solo puede predecir cómo se comportará un circuito, sino que también puede inventar nuevos circuitos que funcionen de inmediato, evitando los largos ciclos de prueba y error que tradicionalmente han ralentizado la biología sintética.

Este trabajo representa un cambio significativo en la forma en que los científicos abordan la ingeniería de la vida. Previamente, diseñar una célula para realizar una tarea compleja era como intentar construir un reloj adivinando qué engranajes encajarían, lo que a menudo requería muchos intentos fallidos para lograr que el tiempo fuera correcto. El nuevo método es más parecido a usar un plano generado por un sistema que ya entiende la física de los engranajes. Al aprender de una vasta gama de experimentos previos, el software ha construido una comprensión profunda de cómo interactúan las partes genéticas, lo que le permite generalizar a situaciones que no ha visto antes. El sistema es lo suficientemente robusto como para funcionar en diferentes tipos de células, lo que sugiere que las reglas aprendidas son fundamentales para el funcionamiento de estas células, en lugar de ser específicas de un solo tipo.

Las implicaciones de este trabajo se extienden más allá de simplemente crear mejores circuitos. Establece un marco donde la ingeniería biológica puede convertirse en una ciencia acumulativa, donde cada nuevo experimento se añade a una biblioteca compartida de conocimiento que hace que los diseños futuros sean más precisos. A medida que el sistema aprende de más datos, se vuelve mejor prediciendo el comportamiento de redes cada vez más complejas. Los investigadores han demostrado que es posible programar células con la misma precisión y confiabilidad con la que los ingenieros diseñan dispositivos electrónicos, pero utilizando el lenguaje analógico nativo de la biología. Esto abre la puerta a la creación de células que pueden realizar tareas sofisticadas, como identificar y destruir células cancerosas basadas en una firma compleja de marcadores, o guiar el crecimiento de tejidos con patrones espaciales precisos, todo ello sin la necesidad de una intervención humana constante para corregir lo que sale mal.

El éxito del biocompiler depende de un tipo específico de aprendizaje que difiere del aprendizaje automático tradicional. En lugar de entrenar un único modelo masivo para reconocer patrones en imágenes o texto, este sistema aprende el comportamiento de procesos biológicos individuales, como la forma en que una enzima específica corta el ARN o cómo un promotor impulsa la expresión génica. Estos comportamientos aprendidos se recombinan para formar nuevos circuitos. Esto significa que el sistema no solo memoriza los circuitos que ha visto, sino que comprende las reglas subyacentes que los gobiernan. Ante un nuevo desafío de diseño, puede ensamblar estas reglas conocidas de una manera novedosa para resolver el problema. Este enfoque compositivo permite al sistema manejar un vasto espacio de diseño que sería imposible explorar únicamente mediante experimentos, ya que el número de combinaciones posibles de partes genéticas crece mucho más rápido de lo que cualquier laboratorio podría probarlas todas.

En los experimentos descritos, los investigadores utilizaron una técnica llamada transfección poli-co para probar sus diseños. Este método les permite entregar cantidades variables de diferentes entradas de forma a una sola población de células, creando una amplia gama de condiciones en un solo experimento. Al medir la salida de cada célula, pueden mapear toda la superficie de respuesta de un circuito, viendo cómo se comporta a través de todas las combinaciones posibles de entradas a la vez. Esta visión de alta resolución del comportamiento celular proporcionó los datos detallados necesarios para entrenar el software y verificar sus predicciones. El hecho de que el software pudiera predecir el comportamiento de circuitos que nunca había visto, y que estas predicciones se mantuvieran en el laboratorio, confirma que el modelo ha capturado la lógica esencial de la red interna de la célula.

Los investigadores también probaron si el sistema podía transferir su conocimiento de un tipo de célula a otro. Entrenaron el software utilizando datos de células de riñón embrionario humano y luego le pidieron que predijera el comportamiento de los circuitos en dos otros tipos de células: células del epitelio pigmentario de la retina y células de ovario de hámster chino. El software funcionó casi tan bien en estos nuevos tipos de células como en el que fue entrenado, lo que sugiere que las reglas fundamentales de cómo interactúan estas partes genéticas son consistentes a través de diferentes líneas celulares humanas. Esta portabilidad es crucial para aplicaciones prácticas, ya que significa que un diseño creado en un tipo de célula probablemente pueda adaptarse para funcionar en otro sin tener que empezar de cero.

Si bien el sistema actual es un gran paso adelante, los investigadores reconocen que aún queda trabajo por hacer. El software opera actualmente dentro de un conjunto de plantillas estructurales predefinidas, o andamios, y aún no puede inventar tipos de conexiones completamente nuevos desde la nada. Las versiones futuras del sistema podrían aprender a generar estas reglas estructurales directamente a partir de los datos, expandiendo aún más el rango de diseños posibles. Además, los modelos actuales capturan bien el comportamiento de procesos individuales, pero aún no consideran explícitamente los efectos globales, como la competencia por los recursos celulares, que a veces pueden alterar el comportamiento del circuito. Sin embargo, el marco está diseñado para ser flexible, y estas limitaciones pueden abordarse a medida que el sistema aprenda de datos más complejos.

La capacidad de programar células con tal precisión transforma el potencial de la biología sintética. Mueve el campo de una disciplina de prueba y error a una de diseño racional, donde los ingenieros pueden especificar una función y recibir un circuito genético funcional a cambio. Esta capacidad es esencial para la próxima generación de terapias celulares, donde las células deben ser programadas para detectar y responder al entorno complejo y cambiante del cuerpo humano. Al aprovechar el poder de computación analógica nativa de las células, este enfoque ofrece un camino para crear máquinas vivientes que sean tan sofisticadas y adaptables como los sistemas biológicos de los que están construidas. El trabajo demuestra que, con las herramientas adecuadas, finalmente podemos hablar el lenguaje de las células con fluidez, convirtiendo su complejidad natural en un recurso programable para resolver algunos de los desafíos más difíciles de la medicina y la biología.

¿Ahogado en artículos de tu campo?

Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.

Probar Digest →