Nota de Prensa<\/p>\n
Cada organismo comienza como una sola c\u00e9lula. A trav\u00e9s de repetidas rondas de divisi\u00f3n celular,\u00a0su desarrollo da lugar a organismos complejos que pueden estar compuestos por billones de c\u00e9lulas de diferentes tipos. \u00bfC\u00f3mo saber cu\u00e1l es el destino de los descendientes de esta c\u00e9lula inicial cuando algunas forman parte del m\u00fasculo card\u00edaco y otros del tejido nervioso?<\/span><\/p>\n El trazado de linajes celulares proporciona el marco para comprender cu\u00e1ndo, d\u00f3nde y c\u00f3mo se decide el destino de estas c\u00e9lulas. Y, dado que con cada divisi\u00f3n celular algo podr\u00eda salir mal, la capacidad de trazar la v\u00eda de diferenciaci\u00f3n celular podr\u00eda llegar a esclarecer c\u00f3mo surgen los problemas del desarrollo y enfermedades.\u00a0<\/span><\/p>\n En un\u00a0<\/span>art\u00edculo cient\u00edfico<\/a><\/span>\u00a0recientemente publicado en\u00a0<\/span>Cell\u00a0Systems<\/span><\/i>[1]<\/span><\/i><\/b><\/span><\/a>,<\/span><\/i>\u00a0los investigadores<\/span>\u00a0detallan un posible camino a seguir para resolver \u00e1rboles de linaje celular de mayores dimensiones, incluido el del ser humano.<\/span>\u00a0<\/span><\/p>\n Un \u00e1rbol celular de la vida<\/span><\/b>\u00a0<\/span><\/p>\n As\u00ed como Charles Darwin mape\u00f3 los \u00e1rboles evolutivos de los organismos, ahora los genetistas se est\u00e1n dedicando a reconstruir \u00e1rboles de linaje celular, es decir, la historia de desarrollo de las c\u00e9lulas conforme se van dividiendo y diferenciando para formar un organismo. Si bien es cierto que estamos lejos de comprender por completo como se forman los linajes de organismos complejos, la inteligencia artificial (IA) puede ayudar a\u00a0<\/span>acelerar nuestro descubrimiento<\/a><\/span>\u00a0y<\/span>\u00a0conocimiento.\u00a0<\/span><\/p>\n El \u00e1rbol de linaje celular del diminuto nematodo\u00a0Caenorhabditis elegans<\/i>\u00a0(C. elegans), fue el primero en completarse minuciosamente\u00a0<\/span>hace d\u00e9cadas<\/a><\/span>,\u00a0<\/span><\/span>con la ayuda de un microscopio \u00f3ptico.<\/span><\/p>\n La reconstrucci\u00f3n del linaje celular ha dado un salto en los \u00faltimos a\u00f1os con el advenimiento de herramientas moleculares basadas en CRISPR. CRISPR se usa para causar mutaciones en una secuencia de ADN que se insert\u00f3 en el genoma de la c\u00e9lula, creando as\u00ed la posibilidad de monitorear el conjunto de mutaciones para proporcionar un marcador que permita a los investigadores reconstruir el linaje celular.<\/span><\/p>\n Uno de los problemas de estas tecnolog\u00edas es que hay mucho \u00abruido\u00bb en los datos, ya que las mutaciones CRISPR ocurren con cierta aleatoriedad y la secuenciaci\u00f3n no siempre las detecta todas. Tambi\u00e9n existen restricciones en la \u00abmemoria\u00bb total del ADN disponible en el registro, ya que la secuencia de caracteres insertada a los que se dirige CRISPR es de tama\u00f1o limitado. Adem\u00e1s, los mismos patrones de edici\u00f3n a veces aparecen espont\u00e1neamente en c\u00e9lulas no relacionadas, o la secuencia editada por CRISPR se elimina durante la divisi\u00f3n celular.\u00a0Adicionalmente, no hay forma de verificar si la reconstrucci\u00f3n de los linajes celulares es adecuada o no.\u00a0<\/span><\/p>\n Un desaf\u00edo de crowdsourcing<\/span><\/b>\u00a0<\/span><\/p>\n Pablo Meyer Rojas<\/a><\/span>, gerente de an\u00e1lisis y modelado biom\u00e9dicos del Centro de Salud Computacional de IBM, junto a sus colegas\u00a0<\/span>Michael Elowitz<\/a><\/span>,\u00a0<\/span>profesor de biolog\u00eda y bioingenier\u00eda de Caltech, y\u00a0<\/span>Jay Shendure<\/a>,\u00a0<\/span>profesor de ciencias del genoma en la Universidad de Washington,\u00a0tuvieron la idea de aplicar t\u00e9cnicas de aprendizaje autom\u00e1tico a su investigaci\u00f3n.\u00a0\u00bfPodr\u00eda la IA encontrar nuevos algoritmos para reconstruir linajes celulares y crear referencias para su comparaci\u00f3n?<\/b>\u00a0<\/span><\/p>\n Con el fin de encontrar dichos algoritmos, organizaron el\u00a0<\/span>DREAM Challenge<\/i><\/a><\/span>\u00a0de reconstrucci\u00f3n de linaje del Instituto\u00a0<\/span>Allen<\/span>[2]<\/span><\/span><\/a>, que tuvo lugar de octubre de 2019 a febrero de 2020.\u00a0DREAM Challenge<\/i>\u00a0(sigla en ingl\u00e9s de Di\u00e1logo para la Ingenier\u00eda Inversa y M\u00e9todos) fue una forma de estudiar los esfuerzos para aplicar ingenier\u00eda inversa a las redes biol\u00f3gicas o soluciones que utilizan grandes cantidades de datos.\u00a0<\/span><\/p>\n Crearon tres conjuntos de datos a disposici\u00f3n de los equipos. Incluyeron \u00e1rboles de linaje celular, tanto\u00a0in vitro<\/i>\u00a0como\u00a0in\u00a0silico<\/i>, compuestos por 100 c\u00e9lulas, 1.000 c\u00e9lulas\u00a0(C.\u00a0elegans)\u00a0<\/i>y 10.000 c\u00e9lulas (una simulaci\u00f3n en ratones), junto con las secuencias de caracteres modificadas en las c\u00e9lulas por un mecanismo similar a CRISPR. Adem\u00e1s, proporcionaron la soluci\u00f3n de referencia llamado\u00a0gold-standard<\/i>\u00a0del \u00e1rbol de linaje celular, para que los equipos entrenaran u optimizaran sus m\u00e9todos.<\/span>\u00a0<\/span><\/p>\n Benchmarking de enfoques de IA<\/span><\/b>\u00a0<\/span><\/p>\n Se presentaron 10 equipos que enviaron un total de 22 propuestas para los tres desaf\u00edos, y entre ellos encontraron algunos ganadores. Dos m\u00e9todos originales sobresalieron:\u00a0<\/span>DCLEAR<\/a><\/span>\u00a0<\/span>(reconstrucci\u00f3n de linaje celular con base en la distancia) y<\/span>\u00a0<\/span>AMberLand<\/a><\/span>. El primero utiliza una estimaci\u00f3n de la distancia entre c\u00e9lulas basada en el uso de diferentes longitudes de caracteres en la secuencia mutada; y el segundo aplica de manera novedosa un m\u00e9todo cl\u00e1sico de machine learning llamado\u00a0Gradient\u00a0Boosting, una t\u00e9cnica de aprendizaje autom\u00e1tico que produce un modelo de predicci\u00f3n en forma de \u00e1rbol de decisi\u00f3n basado en la combinaci\u00f3n de \u00e1rboles peque\u00f1os.\u00a0<\/span><\/p>\n Los investigadores tambi\u00e9n aprendieron que la elecci\u00f3n de la tasa de mutaci\u00f3n y la diversidad de mutaciones tiene un fuerte efecto en la precisi\u00f3n de la reconstrucci\u00f3n del linaje celular. Existe un punto \u00f3ptimo entre las tasas de mutaci\u00f3n \u00abdemasiado bajas\u00bb y \u00abdemasiado altas\u00bb.\u00a0<\/span><\/p>\n Los resultados muestran que podr\u00eda ser posible entrenar algoritmos en \u00e1rboles m\u00e1s peque\u00f1os y luego usarlos para implementar dichos algoritmos a la reconstrucci\u00f3n de \u00e1rboles mucho mayores, e incluso el humano. Para ello, fue esencial tener un conjunto de \u00e1rboles para poder realizar el entrenamiento de los algoritmos junto con su soluci\u00f3n.<\/span><\/p>\n De ser posible elucidar el misterio de c\u00f3mo se origina el cuerpo humano a partir de una sola c\u00e9lula, ese conocimiento podr\u00eda encaminarnos hacia nuevos tratamientos e incluso curas para enfermedades cong\u00e9nitas y problemas del desarrollo, desde el s\u00edndrome de Down hasta el c\u00e1ncer. Dada la complejidad de este problema y su potencial enorme recompensa, se trata de un desaf\u00edo perfecto para la IA. Esto tambi\u00e9n demuestra que todav\u00eda hay muchos campos donde la IA puede aplicarse\u00a0y tener\u00a0un impacto real en la mejora de las predicciones. Todo lo que se necesita son nuevas ideas y nuevos conjuntos de datos.\u00a0<\/span><\/p>\n