{"id":24853,"date":"2026-04-28T15:12:37","date_gmt":"2026-04-28T14:12:37","guid":{"rendered":"https:\/\/telecomkh.info\/?p=24853"},"modified":"2026-04-28T15:12:37","modified_gmt":"2026-04-28T14:12:37","slug":"la-oreja-de-silicio-un-estudio-coordinado-desde-la-ufv-muestra-como-la-ia-podria-descifrar-los-tumores","status":"publish","type":"post","link":"https:\/\/telecomkh.info\/?p=24853","title":{"rendered":"La \u201coreja de silicio\u201d: un estudio coordinado desde la UFV muestra c\u00f3mo la IA podr\u00eda descifrar los tumores"},"content":{"rendered":"

Sus conclusiones apuntan a diagn\u00f3sticos m\u00e1s r\u00e1pidos, personalizados y accesibles mediante inteligencia artificial aplicada a datos moleculares<\/strong><\/p>\n

Un estudio coordinado por la Universidad Francisco de Vitoria ha trazado el primer mapa completo de esta nueva disciplina mediante una revisi\u00f3n sistem\u00e1tica de las herramientas de inteligencia artificial m\u00e1s prometedoras. Su an\u00e1lisis ordena lo que ya se ha logrado y abre la puerta a diagn\u00f3sticos m\u00e1s r\u00e1pidos, baratos y personalizados al identificar \u00e1reas clave de mejora en estos modelos.<\/p>\n

Inteligencia Artificial para descifrar la \u201csopa\u201d celular<\/strong>
\nCada a\u00f1o se diagnostican casi 300 mil casos de c\u00e1ncer en Espa\u00f1a. En muchos de ellos, conocer exactamente qu\u00e9 tipos de c\u00e9lulas forman el tumor es clave para elegir el tratamiento m\u00e1s adecuado.
\nHasta ahora, esa informaci\u00f3n solo pod\u00eda obtenerse con t\u00e9cnicas muy precisas, como el an\u00e1lisis c\u00e9lula a c\u00e9lula, que, aunque muy potentes, son lentas y caras (hasta 2.250 d\u00f3lares por muestra). Otra opci\u00f3n son los cortes histol\u00f3gicos, que requieren muestras frescas y especialistas entrenados para analizarlas al microscopio.
\nFrente a eso, existe una t\u00e9cnica m\u00e1s r\u00e1pida y barata llamada bulk RNA-seq, que permite leer todos los genes activos en una muestra. Su problema es que ofrece una media global de toda la mezcla, sin poder identificar qu\u00e9 tipo de c\u00e9lula expres\u00f3 cada gen. Es como analizar una sopa sin saber qu\u00e9 ingredientes lleva.
\nDescifrar esa mezcla y entender qu\u00e9 c\u00e9lulas la componen se ha convertido en uno de los grandes retos de la medicina personalizada.<\/p>\n

Un paladar digital para los tejidos: qu\u00e9 es la deconvoluci\u00f3n con IA<\/strong>
\nEn lugar de separar cada c\u00e9lula, la deconvoluci\u00f3n utiliza algoritmos para analizar la mezcla y deducir, como un sumiller que distingue sabores en una mezcla, qu\u00e9 proporciones de cada tipo celular contiene.
\nLa idea de descifrar qu\u00e9 c\u00e9lulas hay dentro de un tejido sin separarlas f\u00edsicamente lleva a\u00f1os dando vueltas en el mundo de la bioinform\u00e1tica. Pero la llegada del deep learning, un tipo de inteligencia artificial capaz de detectar patrones muy sutiles en grandes vol\u00famenes de datos, lo est\u00e1 cambiando todo.
\nEstas redes neuronales, con nombres tan t\u00e9cnicos como MLP, autoencoders o redes generativas, aprenden a partir de ejemplos en los que s\u00ed se conoce qu\u00e9 c\u00e9lulas hab\u00eda. Una vez entrenadas, pueden analizar muestras nuevas y estimar su composici\u00f3n celular exacta sin necesidad de separar f\u00edsicamente las c\u00e9lulas ni intervenir el tejido.
\nEl resultado es una especie de radiograf\u00eda digital que puede revelar, por ejemplo, cu\u00e1ntas c\u00e9lulas inmunes hay infiltradas en un melanoma, qu\u00e9 tan puro es un tumor cerebral, o cu\u00e1ntos macr\u00f3fagos est\u00e1n atacando un ri\u00f1\u00f3n inflamado. Todo eso, solo a partir de datos moleculares, sin necesidad de abrir una sola c\u00e9lula.<\/p>\n

El mapa del conocimiento: la revisi\u00f3n pionera de la UFV<\/strong>
\nCon tantos modelos y metodolog\u00edas diferentes, Alba Lomas, investigadora predoctoral del Centro de Estudios e Innovaci\u00f3n en Gesti\u00f3n del Conocimiento (CEIEC) de la Universidad Francisco de Vitoria, junto con el director del centro, Jos\u00e9 M. S\u00e1nchez Vel\u00e1zquez, y el director del grupo de Oncolog\u00eda Molecular del Hospital 12 de octubre y profesor del Grado en Biotecnolog\u00eda de la UFV, V\u00edctor S\u00e1nchez-Ar\u00e9valo, han llevado a cabo un estudio sistem\u00e1tico para poner un poco de orden. Aplicaron la gu\u00eda PRISMA, est\u00e1ndar oro en revisiones sistem\u00e1ticas, y rastrearon seis bases bibliogr\u00e1ficas.
\nDe 171 art\u00edculos iniciales, solo 13 superaron los filtros de rigor: uso de deep learning, datos reales de RNA-seq y revisi\u00f3n por pares. La \u201cselecci\u00f3n natural\u201d dej\u00f3 modelos que abarcan desde sangre perif\u00e9rica a cerebro, p\u00e1ncreas o tumores s\u00f3lidos, y que emplean desde redes densas cl\u00e1sicas hasta h\u00edbridos con atenci\u00f3n y convoluci\u00f3n.
\n\u201cQuer\u00edamos ofrecer una visi\u00f3n clara de hacia d\u00f3nde va este campo y cu\u00e1les son sus l\u00edmites actuales\u201d, se\u00f1ala Alba Lomas, coautora del estudio.<\/p>\n

Lo que encontr\u00f3 el algoritmo: tendencias y lagunas<\/strong>
\nEl reinado de las redes densas queda claro en la mayor\u00eda de los modelos, que recurren a arquitecturas sencillas pero eficaces como las redes neuronales multicapa (MLP), capaces de detectar relaciones complejas sin requerir una potencia de c\u00e1lculo desorbitada.
\nSin embargo, ya empiezan a ganar terreno otros enfoques m\u00e1s sofisticados, como los autoencoders, que comprimen la informaci\u00f3n para detectar estructuras ocultas, o las redes generativas (GANs), que permiten crear datos sint\u00e9ticos y mejorar el entrenamiento en casos con pocas muestras disponibles.
\nSorprendentemente, los famosos transformers -que han revolucionado el procesamiento del lenguaje y la visi\u00f3n artificial- a\u00fan no se han aplicado en este \u00e1mbito, aunque los expertos creen que podr\u00edan marcar un antes y un despu\u00e9s cuando lo hagan.
\nLos datos son el eje de todo. Todos los modelos analizados utilizan perfiles de expresi\u00f3n g\u00e9nica obtenidos mediante bulk RNA-seq, pero diez de ellos necesitan adem\u00e1s datos de c\u00e9lula \u00fanica para generar mezclas sint\u00e9ticas, conocidas como \u201cpseudobulks\u201d, que sirven para entrenar al algoritmo. La mayor\u00eda de estos estudios se centran en muestras humanas, especialmente de sangre o tejidos tumorales, mientras que los experimentos en modelos animales, como el rat\u00f3n, son todav\u00eda minor\u00eda.
\nLa falta de un est\u00e1ndar com\u00fan aparece como uno de los mayores obst\u00e1culos. Cada grupo de investigaci\u00f3n utiliza su propia forma de procesar los datos: algunos filtran genes, otros aplican normalizaciones distintas, y cada uno eval\u00faa la precisi\u00f3n de su modelo con m\u00e9tricas diferentes. Esto dificulta la comparaci\u00f3n entre herramientas y complica su adopci\u00f3n en entornos cl\u00ednicos.
\n\u201cSi queremos que estas herramientas lleguen al hospital, necesitamos que hablen un idioma com\u00fan. No basta con que un modelo funcione: hay que saber compararlo y confiar en c\u00f3mo llega a sus conclusiones\u201d, afirma Lomas.<\/p>\n

\u00bfY ahora qu\u00e9? Hacia diagn\u00f3sticos r\u00e1pidos y asequibles<\/strong>
\nLos autores del estudio imaginan un futuro pr\u00f3ximo en el que el pat\u00f3logo, adem\u00e1s del informe histol\u00f3gico tradicional, reciba tambi\u00e9n un panel digital que indique, por ejemplo: \u201c70 % c\u00e9lulas tumorales, 15 % linfocitos T, 10 % macr\u00f3fagos, 5 % fibroblastos\u201d.
\nTodo ello generado en cuesti\u00f3n de minutos a partir de un an\u00e1lisis convencional de secuenciaci\u00f3n de ARN, una t\u00e9cnica que ya se utiliza en muchos centros.
\nEsto abrir\u00eda la puerta a diagn\u00f3sticos m\u00e1s r\u00e1pidos, personalizados y asequibles. Por ejemplo, permitir\u00eda seleccionar mejor las terapias inmunol\u00f3gicas, sabiendo cu\u00e1ntas defensas naturales hay que activar en el entorno tumoral. Tambi\u00e9n podr\u00eda monitorizar reca\u00eddas con una simple extracci\u00f3n de sangre, si se adaptan los modelos a biopsias l\u00edquidas. Y, adem\u00e1s, ayudar\u00eda a reducir costes al evitar pruebas m\u00e1s complejas o invasivas.
\nPara hacer realidad este escenario, el equipo del CEIEC est\u00e1 trabajando en dos frentes fundamentales. Por un lado, buscan crear conjuntos de datos de entrenamiento abiertos y robustos, que sirvan como referencia para desarrollar y comparar modelos. Y por otro, quieren desarrollar modelos m\u00e1s explicables, conocidos como \u2018cajas negras transparentes\u2019, que no solo den un resultado, sino que expliquen c\u00f3mo lo han obtenido.
\n\u201cNuestro siguiente reto es asegurar que estos modelos puedan usarse con confianza en entornos reales, con datos compartidos y validaciones cl\u00ednicas\u201d, apunta Jos\u00e9 M. S\u00e1nchez Vel\u00e1zquez, director del CEIEC.<\/p>\n

Escuchar los tejidos antes de cortar: la revoluci\u00f3n silenciosa de la IA en medicina<\/strong>
\nIgual que AlphaFold transform\u00f3 la biolog\u00eda estructural sin necesidad de cristalizar prote\u00ednas, la deconvoluci\u00f3n basada en inteligencia artificial promete cambiar el diagn\u00f3stico de tejidos, sin necesidad de bistur\u00ed, microscopio ni separaci\u00f3n f\u00edsica de c\u00e9lulas, es decir, evitando procedimientos invasivos o complejos.
\nEl estudio llevado a cabo por el equipo del CEIEC de la UFV traza el primer mapa completo de esta nueva disciplina: una revisi\u00f3n sistem\u00e1tica que ordena lo que ya se ha logrado y se\u00f1ala lo que a\u00fan falta por construir.
\nLos investigadores reclaman m\u00e1s datos compartidos, m\u00e9tricas comunes que permitan comparar modelos, y algoritmos que no solo acierten, sino que expliquen sus decisiones con transparencia.
\nSi la comunidad cient\u00edfica supera esos retos, los m\u00e9dicos pronto podr\u00e1n \u201cescuchar\u201d la composici\u00f3n celular de un tumor en la propia consulta, a partir de una muestra est\u00e1ndar de ARN, y decidir el tratamiento m\u00e1s eficaz sin tener que abrir al paciente.<\/p>\n

Una revoluci\u00f3n silenciosa, s\u00ed. Pero con el potencial de cambiar para siempre c\u00f3mo entendemos -y combatimos- las enfermedades desde dentro.<\/p>\n

Arriba, imagen cortes\u00eda de la UFV<\/em><\/span><\/p>\n

 <\/p>\n","protected":false},"excerpt":{"rendered":"

Sus conclusiones apuntan a diagn\u00f3sticos m\u00e1s r\u00e1pidos, personalizados y accesibles mediante inteligencia artificial aplicada a datos moleculares Un estudio coordinado por la Universidad Francisco de Vitoria ha trazado el primer mapa completo de esta nueva disciplina mediante una revisi\u00f3n sistem\u00e1tica de las herramientas de inteligencia artificial m\u00e1s prometedoras. Su an\u00e1lisis ordena lo que ya se … <\/p>\n

Continue reading \u00abLa \u201coreja de silicio\u201d: un estudio coordinado desde la UFV muestra c\u00f3mo la IA podr\u00eda descifrar los tumores\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":24854,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[9,29,64],"tags":[],"_links":{"self":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts\/24853"}],"collection":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=24853"}],"version-history":[{"count":1,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts\/24853\/revisions"}],"predecessor-version":[{"id":24855,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts\/24853\/revisions\/24855"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/media\/24854"}],"wp:attachment":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=24853"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=24853"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=24853"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}