Cell IO: a database linking single-cell transcriptomes to literature-derived knowledge of cell functions and perturbations

La biología ha dependido durante mucho tiempo de una pregunta fundamental: ¿qué hace realmente un tipo específico de célula? Durante décadas, los científicos podían identificar una célula por los genes que posee o las proteínas en su superficie, de forma muy parecida a reconocer a una persona por su etiqueta de nombre. Pero conocer un nombre no explica el trabajo de una persona, sus hábitos o cómo reacciona cuando el mundo que la rodea cambia. En la era moderna de la biología, los investigadores pueden ahora leer las instrucciones genéticas de células individuales, creando bibliotecas masivas de datos que muestran exactamente qué genes están activos en una sola célula en un momento específico. Estas bibliotecas han crecido hasta incluir cientos de millones de células de humanos, ratones y ratas. Sin embargo, el conocimiento de lo que estas células logran realmente —cómo luchan contra las enfermedades, cómo se comunican o qué sucede cuando un gen se rompe— permanece disperso en miles de artículos científicos, enterrado en textos que las computadoras no pueden leer fácilmente.

Un investigador del Centro RIKEN para la Investigación de la Dinámica de Sistemas Biológicos en Japón ha construido un puente entre estos dos mundos. Creó una nueva base de datos pública llamada Cell IO, que vincula los datos genéticos brutos de células individuales directamente con el conocimiento escrito encontrado en la literatura científica. Al utilizar un lenguaje común para describir tipos celulares, el sistema permite que un científico comience con una lista de genes y vea instantáneamente qué ha escrito la comunidad científica mundial sobre el comportamiento de esa célula. Inversamente, un investigador que lee sobre la función de una célula específica puede encontrar inmediatamente los datos genéticos que respaldan esas afirmaciones. Esta herramienta no solo almacena información; la organiza para que el "qué" de la composición genética de una célula esté siempre emparejado con el "cómo" y el "por qué" de su función, convirtiendo una montaña de hechos desconectados en un mapa navegable de la vida celular.

El proyecto comenzó abordando el enorme volumen de datos genéticos disponibles en archivos públicos. El investigador recopiló secuencias genéticas brutas de más de 65,000 experimentos que involucraban células humanas, de ratón y de rata. Estos experimentos no eran uniformes; provenían de diferentes laboratorios, utilizaban diferentes máquinas y se procesaban de diferentes maneras. Para hacerlos comparables, sometió cada experimento a un mismo proceso computacional. Este proceso consistió en limpiar los datos, eliminar errores y agrupar células similares. Luego, asignó un nombre estándar a cada grupo de células basándose en un diccionario universal de tipos celulares, asegurando que una "célula T" en un estudio de ratón fuera reconocida como el mismo tipo de célula en un estudio humano. El resultado es una colección masiva y organizada que contiene casi 83 millones de células de casi 15,000 experimentos, todos procesados de la misma manera para que puedan compararse directamente.

Si bien los datos genéticos proporcionaban el mapa de las células, el investigador sabía que también necesitaba la historia de lo que esas células hacen. Para encontrar esto, recurrió a la literatura científica. Recopiló cientos de miles de artículos de investigación y artículos de revisión de acceso abierto, centrándose en el sistema inmunológico y el sistema nervioso. Utilizando modelos computacionales avanzados entrenados para leer y comprender el lenguaje, extrajo declaraciones específicas sobre el comportamiento celular. El sistema aprendió a identificar oraciones donde una célula actúa como un agente, como una célula que mata un virus o una célula que libera una señal química. También buscó hallazgos relacionados con perturbaciones genéticas, que son experimentos donde los científicos rompen o cambian deliberadamente un gen para ver cómo reacciona la célula.

La computadora no solo leyó el texto; verificó las afirmaciones. Comprobó las oraciones para asegurar que la célula fuera verdaderamente la que realizaba la acción y no simplemente un espectador. Luego, tradujo los nombres específicos utilizados en los artículos al mismo diccionario estándar utilizado para los datos genéticos. Esto creó una segunda capa de conocimiento que contiene casi 900,000 afirmaciones distintas sobre funciones celulares. Algunas de estas afirmaciones provienen de artículos de investigación originales que describen nuevos descubrimientos, mientras que otras provienen de artículos de revisión que resumen lo que ya se sabe. El sistema también tomó nota de la fuerza de la evidencia, distinguiendo entre declaraciones que son afirmadas firmemente por el autor y aquellas que son meramente sugeridas o especulativas.

El verdadero poder de Cell IO reside en cómo se conectan estas dos capas. Debido a que tanto los datos genéticos como las afirmaciones de la literatura utilizan los mismos nombres estándar para los tipos celulares, la base de datos puede vincularlos sin problemas. Un usuario puede buscar un tipo de célula específico, como una célula T reguladora, y ver una sola página que muestra tanto los datos genéticos como la literatura. En un lado, la página muestra cuántos experimentos han encontrado este tipo de célula y en qué tejidos es más común. En el otro lado, enumera las miles de oraciones de artículos científicos que describen lo que hace esta célula. La interfaz permite al usuario filtrar estas afirmaciones por el tipo de evidencia, el organismo o la dirección del efecto, como si un cambio genético aumentó o disminuyó la actividad de la célula.

Esta conexión revela brechas en nuestro conocimiento actual. La base de datos muestra que, si bien algunos tipos de células están bien estudiados tanto en datos genéticos como en la literatura, otros aparecen con frecuencia en experimentos genéticos pero tienen muy poco escrito sobre sus funciones específicas. Por ejemplo, un cierto tipo de célula pineal fue encontrado en más de un millón de células a través de miles de experimentos, sin embargo, la base de datos contiene solo cuatro afirmaciones escritas sobre lo que hace. Por el contrario, algunos tipos de células tienen muchas descripciones escritas pero carecen de los datos genéticos correspondientes en la colección actual. Al resaltar estos desajustes, la herramienta ayuda a los científicos a ver dónde es incompleto su entendimiento y hacia dónde debería dirigirse la investigación futura.

La base de datos está disponible gratuitamente para cualquier persona con una conexión a Internet, sin requerir registro especial ni instalación de software. Está diseñada para ser intuitiva, permitiendo que un usuario comience desde un nombre de célula, un tipo de tejido o incluso un gen específico y navegue hacia los datos y el texto relevantes. El investigador enfatiza que el sistema es una herramienta para la exploración más que una autoridad final. Las afirmaciones son extraídas por máquinas y están vinculadas directamente a sus fuentes originales, lo que permite a los usuarios verificar la información por sí mismos. El investigador reconoce que la colección actual está limitada a tipos específicos de experimentos y organismos, y que la extracción automática de texto, aunque es altamente precisa, no es perfecta. Sin embargo, al proporcionar una visión unificada de qué son las células y qué hacen, Cell IO ofrece una nueva forma de navegar el complejo paisaje de la biología moderna, convirtiendo fragmentos dispersos de conocimiento en un todo coherente.