Cada año se diagnostican cerca de 300.000 casos de cáncer en España, y en muchos de ellos identificar con precisión qué tipos de células componen un tumor resulta clave para decidir el tratamiento más eficaz. Sin embargo, los métodos actuales para obtener esa información siguen siendo costosos, lentos o invasivos.
En este contexto, un estudio coordinado por la Universidad Francisco de Vitoria (UFV) ha trazado por primera vez un mapa completo de una disciplina emergente que promete cambiar este escenario: la deconvolución celular basada en inteligencia artificial. El trabajo, desarrollado por investigadores del Centro de Estudios e Innovación en Gestión del Conocimiento (CEIEC), revisa de forma sistemática las herramientas de IA más prometedoras para descifrar la composición celular de los tejidos sin necesidad de microscopio ni bisturí
Hasta ahora, conocer el “retrato celular” de un tumor requería técnicas de análisis célula a célula, extremadamente precisas pero también caras, con costes que pueden alcanzar los 2.250 dólares por muestra, o bien estudios histológicos que exigen muestras frescas y la intervención de especialistas altamente cualificados. Frente a ello, técnicas más accesibles como el bulk RNA-seq permiten analizar qué genes están activos en una muestra, aunque ofrecen solo una media global, sin distinguir qué tipo de célula expresa cada gen. Es, en palabras de los investigadores, como analizar una sopa sin saber qué ingredientes contiene.
La deconvolución celular propone una alternativa radicalmente distinta. En lugar de separar físicamente cada célula, utiliza algoritmos de aprendizaje profundo para analizar la mezcla genética y deducir qué proporciones de cada tipo celular la componen, de forma similar a cómo un sumiller identifica sabores en una combinación compleja.
Gracias a redes neuronales entrenadas con datos reales, estos modelos pueden estimar la presencia de linfocitos, macrófagos o fibroblastos dentro de un tumor, así como evaluar su pureza o el grado de infiltración inmune. Todo ello se obtiene a partir de datos moleculares, sin intervenir el tejido y sin procedimientos invasivos.
Ante la proliferación de enfoques y metodologías, el equipo de la UFV ha llevado a cabo una revisión sistemática siguiendo la guía PRISMA, el estándar de referencia en este tipo de estudios. Tras analizar 171 artículos científicos, solo 13 superaron los criterios de rigor establecidos, como el uso de deep learning, datos reales de RNA-seq y revisión por pares.
El análisis revela que la mayoría de los modelos se basan en redes neuronales densas, sencillas pero eficaces, aunque empiezan a ganar peso arquitecturas más sofisticadas como los autoencoders o las redes generativas, especialmente útiles cuando hay pocas muestras disponibles. De forma llamativa, los populares transformers, que han revolucionado otros ámbitos de la IA, todavía no se han aplicado en este campo, aunque los expertos creen que podrían marcar un punto de inflexión en el futuro.
Uno de los principales retos identificados es la falta de estándares comunes. Cada grupo procesa los datos de forma distinta y utiliza métricas diferentes para evaluar sus modelos, lo que dificulta la comparación entre herramientas y frena su adopción clínica. “Si queremos que estas soluciones lleguen al hospital, necesitamos que hablen un idioma común”, subrayan los autores.
Los investigadores plantean un futuro cercano en el que, junto al informe histológico tradicional, el patólogo reciba también un panel digital con la composición celular exacta del tumor, generado en cuestión de minutos a partir de un análisis estándar de ARN. Esto permitiría ajustar mejor las terapias, seleccionar con mayor precisión tratamientos inmunológicos o incluso monitorizar recaídas mediante biopsias líquidas.
Para avanzar en esta dirección, el CEIEC trabaja en el desarrollo de conjuntos de datos abiertos y robustos, así como en modelos más explicables, capaces no solo de ofrecer resultados, sino también de justificar cómo los han obtenido. El objetivo es generar confianza clínica y facilitar su uso en entornos reales.
Finalmente, al igual que AlphaFold transformó la biología estructural sin necesidad de cristalizar proteínas, la deconvolución celular con inteligencia artificial apunta a una revolución silenciosa en la medicina. Una forma de “escuchar” los tejidos antes de cortar, con el potencial de cambiar para siempre la forma en que se diagnostican y tratan enfermedades complejas como el cáncer.