Modelo de IA predice la actividad genética, revolucionando la biología: GET de la Universidad de Columbia

Investigadores de la Universidad de Columbia desarrollaron un modelo de IA, General Expression Transformer (GET), capaz de predecir la expresión génica en células. Este avance tiene como objetivo ampliar la comprensión de las enfermedades genéticas y el cáncer, allanando el camino para terapias génicas específicas para células. GET se entrenó utilizando un enfoque similar al de los modelos de lenguaje como ChatGPT. Mientras que ChatGPT aprende la gramática del lenguaje, GET aprendió las reglas subyacentes de los genes: cómo se activan o desactivan y cómo se regula su actividad. Esta capacidad de predecir la expresión génica es crucial, ya que las proteínas desempeñan un papel en casi todos los procesos biológicos. Raul Rabadan, autor del estudio y director del Programa de Genómica Matemática de la Universidad de Columbia, declaró que "la biología se está transformando en una ciencia predictiva", lo que podría marcar "una revolución en la biología". Los datos utilizados para entrenar GET provienen de más de 1.3 millones de células, que cubren 213 tipos de células diferentes en el cuerpo humano. Mark Gerstein, profesor de Informática Biomédica de la Facultad de Medicina de Yale, señaló que los expertos han estado intentando hacer predicciones sobre la regulación genética durante años. Un aspecto notable de GET es su capacidad para hacer predicciones sobre tipos de células que no están directamente incluidos en el entrenamiento. Los investigadores esperan que el modelo ayude a desarrollar terapias génicas que corrijan las mutaciones que dañan tipos de células específicos. La capacidad de predecir qué genes se activan o desactivan en diferentes células podría ayudar a determinar la célula de origen de una enfermedad. GET también podría facilitar la toma de decisiones en la investigación. En la investigación del cáncer, donde a menudo existen numerosas mutaciones en el genoma, GET podría ayudar a identificar combinaciones genéticas relevantes, agilizando los esfuerzos de investigación.