Por primera vez, un modelo de inteligencia artificial ha logrado trazar el mapa más detallado del cerebro de un ratón, revelando más de 1.300 regiones y subregiones que hasta ahora permanecían ocultas. El logro, publicado en Nature Communications por investigadores de la Universidad de California en San Francisco (UCSF) y el Allen Institute, supone un salto histórico en la forma en que entendemos la organización del cerebro. No solo porque ofrece una visión más precisa y completa, sino porque lo ha hecho sin depender del ojo humano, sino analizando directamente los datos moleculares de millones de células.
El modelo se llama CellTransformer y, como su nombre sugiere, está basado en la misma tecnología que impulsa a modelos de lenguaje como ChatGPT: los transformadores. Pero en lugar de analizar palabras, este sistema analiza células y sus vecindades dentro del cerebro. A través de esa lectura masiva de datos biológicos, CellTransformer aprende cómo se agrupan los distintos tipos de células y dónde se ubican, generando automáticamente un mapa anatómico que supera en resolución cualquier intento previo.
La IA aprendió a “ver” el cerebro desde dentro, interpretando patrones de genes y tipos celulares para definir regiones sin ayuda humana. Esto significa que los límites del mapa no fueron dibujados por expertos, sino inferidos directamente a partir de la información genética. En otras palabras, el cerebro se “auto-cartografió” a través de sus propias moléculas.
Un mapa hecho de datos, no de suposiciones
El gran cambio que introduce CellTransformer está en la manera de definir lo que es una región cerebral. En los mapas clásicos, los científicos marcaban fronteras basándose en la forma del tejido o en imágenes microscópicas. Ahora, esas divisiones surgen de los propios datos moleculares, de cómo se agrupan y relacionan las células entre sí. Cada una tiene su firma genética, y al comparar millones de ellas, la IA puede detectar vecindades invisibles al ojo humano.
Este enfoque se apoya en la llamada transcriptómica espacial, una técnica que permite medir qué genes están activos en cada célula del cerebro y dónde se encuentran. El problema era que los volúmenes de datos eran tan grandes —millones de células por cerebro— que los métodos tradicionales colapsaban.
CellTransformer resolvió ese cuello de botella: usa un sistema de aprendizaje auto-supervisado que puede procesar millones de datos sin necesidad de etiquetas previas, agrupando zonas con características moleculares y celulares comunes.
Así fue como el modelo logró descubrir más de mil subregiones, algunas nunca antes descritas. Entre ellas, zonas nuevas en el colículo superior —vinculado con la visión y la orientación— y en el núcleo reticular del mesencéfalo, un área clave para el movimiento. En ambos casos, el modelo encontró capas y gradientes de células que los mapas anteriores habían pasado por alto, revelando una arquitectura más rica y precisa.
Lo que el cerebro del ratón enseña sobre el nuestro
Aunque este trabajo se centra en el cerebro del ratón, su importancia trasciende a otras especies. El ratón es el modelo más usado en neurociencia porque comparte buena parte de la organización genética y celular con los humanos.
Cada nueva división o región descubierta en el ratón abre una pista sobre cómo podría funcionar el cerebro humano. Entender esa complejidad es esencial para estudiar enfermedades neurológicas, desde el Alzheimer hasta la epilepsia.
Uno de los mayores hallazgos del equipo fue que las nuevas regiones no son simples divisiones geométricas: cada una tiene su propia composición celular y patrón de genes, lo que sugiere funciones distintas dentro de áreas que antes se consideraban homogéneas. Por ejemplo, en el hipocampo —centro de la memoria— CellTransformer identificó capas moleculares que coinciden con las conexiones neuronales observadas en estudios clásicos, pero con un nivel de detalle inédito.
Además, el modelo permitió comparar cerebros de varios ratones y observar que las mismas regiones emergían una y otra vez, lo que indica que la organización molecular del cerebro es extremadamente consistente entre individuos. Ese nivel de coherencia nunca había sido comprobado con tal precisión.
Un cerebro, muchas capas: la promesa de la IA biológica
CellTransformer no solo confirmó lo que ya sabíamos; también fue más allá. En regiones como la corteza o el estriado, identificó estructuras en forma de cuadrículas y subdivisiones laminares que reflejan la organización funcional del cerebro.
Algunas de estas divisiones se corresponden con patrones de conectividad descritos en experimentos anatómicos, lo que demuestra que la IA no está inventando patrones, sino reconociendo relaciones biológicas reales.
El modelo también es altamente escalable, capaz de analizar datos de nueve millones de células provenientes de distintos cerebros y secciones de tejido. Esa capacidad le permitió integrar información de varios animales y generar mapas comparables entre ellos, algo que los científicos nunca habían logrado con tanta fidelidad. Incluso funcionó con otro tipo de tecnología —Slide-seqV2—, que analiza tejidos con miles de genes, confirmando que el método no depende de un solo tipo de dato.
Este avance cambia la manera de hacer anatomía, pasando de un enfoque interpretativo a uno cuantitativo y reproducible. En lugar de depender de la vista del investigador, la inteligencia artificial define regiones según criterios biológicos objetivos. Es un paso hacia una ciencia donde las estructuras se descubren por lo que son, no por lo que parecen.
Más allá del cerebro: un mapa para entender la vida
El potencial de CellTransformer no termina en el cerebro. Los investigadores explican que el mismo sistema podría aplicarse para mapear otros órganos o incluso tumores, siempre que existan datos de transcriptómica espacial. Si puede revelar subregiones cerebrales a partir de la identidad molecular de las células, también podría hacerlo en tejidos como el hígado, los pulmones o los cánceres más agresivos, donde los límites entre tipos celulares son borrosos.
El impacto va más allá de la biología: la IA ofrece una nueva manera de entender cómo la forma y la función surgen de la organización celular. Igual que los transformadores lingüísticos aprenden el significado de las palabras por su contexto, CellTransformer aprende el “significado biológico” de cada célula según sus vecinas. Esta forma de aprendizaje contextual podría cambiar la forma en que se estudian los tejidos vivos, convirtiendo grandes volúmenes de datos en mapas anatómicos comprensibles.
En el fondo, la IA está enseñándonos a mirar el cuerpo como un sistema de relaciones, no solo de piezas. Cada célula tiene sentido dentro del entorno en que se encuentra, y entender ese entramado puede ser la clave para descifrar cómo nacen las funciones —y las enfermedades— en los organismos complejos.
Referencias
- Lee, A.J., Dubuc, A., Kunst, M. et al. Data-driven fine-grained region discovery in the mouse brain with transformers. Nat Commun 16, 8536 (2025). doi: 10.1038/s41467-025-64259-4
