Un código de barras con IA permite localizar las «células zombis» del envejecimiento
Una nueva técnica combina microscopía Raman, transcriptómica espacial e inteligencia artificial para identificar células senescentes sin destruirlas. El avance, probado por ahora en tejidos de ratón, podría mejorar el diagnóstico de enfermedades asociadas a la edad y acelerar el desarrollo de tratamientos contra el envejecimiento.
Por Enrique Coperías, periodista científico
Ilustración conceptual de RamanOmics: un haz de luz analiza una «célula zombi» mientras las bandas espectrales muestran señales asociadas a lípidos, proteínas y otras moléculas que la inteligencia artificial utiliza para distinguirla de las células normales. Crédito: IA-DALL-E / RexMolón Producciones
En el interior de los tejidos envejecidos se oculta una población de células que ha dejado de dividirse, pero se resiste a morir. Son las células senescentes, conocidas popularmente como células zombis. Aunque permanecen metabólicamente activas, ya no cumplen sus funciones con normalidad y pueden liberar moléculas inflamatorias que alteran a las células vecinas.
La senescencia celular suele activarse cuando una célula acumula daños en el ADN o se enfrenta a un estrés intenso. Al detener su ciclo de división, evita transmitir posibles alteraciones genéticas y convertirse en una célula tumoral. Se trata, por tanto, de un mecanismo de protección.
Estas células también desempeñan funciones beneficiosas durante el desarrollo embrionario, la cicatrización y la regeneración de los tejidos. El problema aparece cuando permanecen en el organismo durante demasiado tiempo. En los individuos jóvenes, el sistema inmunitario suele eliminarlas, pero esta limpieza pierde eficacia con la edad y las células senescentes comienzan a acumularse.
Su presencia excesiva se ha relacionado con:
✅ Inflamación crónica.
✅ Degeneración de los tejidos.
✅ Artrosis y fibrosis.
✅ Diabetes de tipo 2.
✅ Debilidad muscular.
✅ Enfermedades cardiovasculares.
✅ Algunos tipos de cáncer.
«La senescencia no es únicamente una condición patológica», advierte Peter So, profesor de Ingeniería Biológica y Mecánica del MIT y uno de los autores principales, en declaraciones recogidas por MIT News. Su papel puede ser beneficioso o perjudicial dependiendo del tejido, del momento y de cuánto tiempo permanezca activa. Esta ambigüedad explica por qué eliminarlas indiscriminadamente podría ser tan problemático como permitir que se acumulen.
Por qué resulta tan difícil detectar las células senescentes
Uno de los grandes obstáculos para estudiar el envejecimiento es que no existe un marcador universal de senescencia celular. Una célula senescente de la piel puede presentar características muy diferentes de otra situada en el pulmón, el músculo o el cerebro.
Los científicos utilizan habitualmente proteínas como la p16 y la p21, implicadas en la detención del ciclo celular, o analizan la actividad de la beta-galactosidasa, enzima encargada de descomponer determinados azúcares y cuya presencia suele aumentar en las células senescentes debido a la acumulación de lisosomas. Sin embargo, ninguno de estos indicadores identifica por sí solo todas las formas de senescencia.
Además, muchas técnicas convencionales requieren fijar, teñir o destruir las células para poder analizarlas. Esto impide observar después su evolución, estudiar su relación con las células vecinas o comprobar cómo responden a un tratamiento.
Para superar estas limitaciones, investigadores del MIT, el Hospital General de Massachusetts, la Facultad de Medicina de Harvard y el Broad Institute han desarrollado RamanOmics, una plataforma que combina información química, genética y espacial. Los resultados se han publicado en la revista científica Nature Aging.
La huella química de la piel, revelada longitud de onda a longitud de onda
La microscopía Raman recorre una muestra de tejido cutáneo mediante distintas longitudes de onda de la luz dispersada. En cada fotograma, las zonas más brillantes indican una señal Raman más intensa; el análisis conjunto de estos patrones permite conocer la composición bioquímica del tejido e identificar moléculas como lípidos, proteínas y ácidos nucleicos. Crédito: cortesía de los investigadores.
Cómo funciona RamanOmics
La microscopía Raman ofrece la composición química de una célula
La base de la nueva técnica es la microscopía Raman, un método óptico que ilumina una muestra con un láser y analiza cómo interactúa la luz con sus moléculas.
La mayor parte de los fotones rebota sin cambios, pero una pequeña fracción intercambia energía con los enlaces químicos y regresa con una frecuencia ligeramente distinta. Estas variaciones producen un espectro que funciona como una huella bioquímica.
A partir de ese espectro, los investigadores pueden obtener información sobre la presencia y distribución de:
✅ Lípidos.
✅ Proteínas.
✅ Ácidos nucleicos.
✅ Azúcares.
✅ Colágeno.
✅ Componentes de la matriz extracelular.
La principal ventaja es que la microscopía Raman no necesita tintes ni marcadores y no destruye la célula analizada. Esto permite observar el tejido manteniendo intacta su estructura.
La inteligencia artificial transforma las señales en un código de barras
Un espectro Raman contiene centenares de señales superpuestas, por lo que resulta difícil determinar qué combinación corresponde a una célula senescente. Para resolverlo, los investigadores añadieron dos fuentes complementarias de información: la secuenciación de ARN de núcleos individuales (snRNA-seq, por sus siglas en inglés) y la transcriptómica espacial.
La primera permite conocer qué genes están activos en cada tipo celular. La segunda sitúa esa actividad genética dentro del tejido y muestra dónde se encuentra cada célula.
El equipo integró todos estos datos mediante un algoritmo de aprendizaje automático de tipo bosque aleatorio, que combina las predicciones de numerosos árboles de decisión para obtener una clasificación más precisa y fiable. El sistema aprendió a distinguir las células positivas para p21 —utilizadas en este estudio como referencia de senescencia— de las células no senescentes.
El resultado es un código de barras multimodal, denominado así porque reúne en un único patrón dos clases de información: las señales químicas captadas por la microscopía Raman y la actividad de determinados genes. No es una etiqueta física adherida a la célula, sino una representación digital en la que cada barra corresponde a una característica concreta, como la abundancia de ciertos lípidos, proteínas o ácidos nucleicos, o la activación de genes relacionados con la senescencia. Al leer conjuntamente todas esas barras, el algoritmo puede reconocer la huella característica de una célula senescente y distinguirla de una célula normal.
El envejecimiento cambia el comportamiento de las células madre neurales. Clones celulares observados en cerebros de ratones jóvenes (verde) y viejos (rojo) ilustran cómo la edad transforma las poblaciones celulares de los tejidos. Métodos como RamanOmics podrían ayudar a localizar dentro de ellas las células que han entrado en senescencia. Cortesía: Albina Ibrayeva/Bonaguidi Lab
El estudio analizó más de 47.000 células de ratón
Los experimentos se realizaron con muestras de pulmón y piel de ratones jóvenes, de dos meses, y envejecidos, de veintiséis meses. Los investigadores estudiaron mediante secuenciación de ARN:
35.474 células pulmonares.
12.128 células cutáneas.
Un panel espacial de 890 genes, incluidos marcadores celulares, de envejecimiento y de senescencia.
Las imágenes Raman se registraron en tejidos procedentes de los mismos bloques de muestras. De este modo, el equipo pudo relacionar la composición bioquímica de las células con su actividad genética y su posición exacta dentro de cada órgano.
Una huella lipídica común identifica las células senescentes
El hallazgo más consistente apareció en una región del espectro Raman situada entre 1.131 y 1.135 centímetros inversos, asociada a estructuras lipídicas. Esta señal estaba aumentada en las células positivas para p21 tanto en el pulmón como en la piel.
El resultado apunta a que la senescencia viene acompañada de una profunda reorganización del metabolismo de las grasas y por la acumulación de determinados lípidos. Estos compuestos intervienen en las membranas celulares, la comunicación entre células, la inflamación y las respuestas metabólicas.
El estudio no permite determinar todavía si la acumulación de lípidos provoca la senescencia, contribuye a mantenerla o es una consecuencia del deterioro celular. Los autores subrayan que la relación observada es una asociación, no una demostración de causalidad.
🦖 ¿TE APASIONA LA CIENCIA QUE SORPRENDE?
- Cada domingo seleccionamos para ti las noticias y los descubrimientos científicos más fascinantes de la semana, explicados con rigor, claridad y el estilo de RexMolón, la Ciencia en Acción.👉 SUSCRÍBETE GRATIS A LA NEWSLETTER DE REXMOLÓN
-
Si quieres recibir las noticias de ciencia de RexMolón cada día, únete a RexMolón News en WhatsApp, el canal donde compartimos las noticias según se publican.👉 ÚNETE GRATIS A REXMOLÓN NEWS
Cada tejido envejece de una manera diferente
RamanOmics también reveló que las células senescentes comparten algunas características, pero conservan una identidad propia dependiendo del órgano en el que aparecen.
1️⃣ En el pulmón envejecido, las células senescentes mostraban alteraciones relacionadas con:
✅ La activación inmunitaria y la inflamación.
✅ La señalización mediante el TGF-β (factor de crecimiento transformante beta), una proteína multifuncional que regula el crecimiento, la diferenciación, la muerte y la respuesta inmunitaria de las células.
✅ El metabolismo de los lípidos.
✅ La fibrosis.
✅ La remodelación de la matriz extracelular.
2️⃣ En la piel envejecida, predominaban los cambios asociados con:
✅ La queratinización.
✅ La diferenciación de la epidermis.
✅ El mantenimiento de la barrera cutánea.
✅ La contracción muscular.
✅ La reparación del ADN.
✅ La reorganización del colágeno.
La senescencia no parece, por tanto, un estado celular único, sino una familia de estados biológicos diferentes condicionados por el tipo de célula, el órgano y el entorno molecular.
Peter So, profesor Samuel C. Collins de Ingeniería Mecánica del MIT y director del MIT Laser Biomedical Research Center, es uno de los autores principales del estudio. Su equipo ha contribuido al desarrollo de RamanOmics, la plataforma que combina microscopía Raman, información genética e inteligencia artificial para identificar células senescentes sin destruirlas. Cortesía: MITMECHE
La combinación de datos mejora la identificación
Los investigadores compararon tres modelos: uno basado exclusivamente en las señales Raman, otro construido con los datos de expresión genética y un tercero que combinaba ambas fuentes.
El modelo multimodal mejoró la clasificación frente al uso exclusivo de la información genética. En el pulmón, la exactitud pasó del 73,7 % al 77,6 %. En la piel aumentó del 61,8 % al 65,5 %.
Estas cifras están lejos de las exigibles a una prueba diagnóstica destinada a pacientes humanos. Sin embargo, demuestran que el espectro Raman contiene información bioquímica que no aparece directamente en la lectura del ARN y que puede complementar los marcadores moleculares tradicionales.
Las células senescentes también aparecen durante la cicatrización
Para comprobar si las firmas detectadas servían en un contexto biológico diferente, el equipo estudió la cicatrización de heridas en la piel de ratones viejos.
Tres días después de producirse la lesión aumentaron las células positivas para p21 y se activaron genes relacionados con la diferenciación de la epidermis y la reparación de la barrera cutánea. Al mismo tiempo, RamanOmics volvió a detectar las bandas vinculadas a los lípidos.
El experimento confirmó que el código de barras no reconoce en exclusiva células acumuladas durante el envejecimiento. También identifica la senescencia transitoria que aparece durante la reparación de una herida y puede contribuir a regenerar correctamente el tejido.
Este resultado es importante porque muestra el doble papel de las células zombi: eliminarlas puede ser beneficioso cuando alimentan una inflamación crónica, pero contraproducente si están colaborando temporalmente en una cicatrización.
Otros estudios recientes buscan mejores marcadores de senescencia
RamanOmics forma parte de un esfuerzo científico más amplio por abandonar la búsqueda de un único indicador. En 2024, por ejemplo, el grupo de biomarcadores de la red estadounidense Cellular Senescence Network, de los de los Institutos Nacionales de Salud estadounidenses (NIH), recomendó emplear combinaciones de señales adaptadas a cada órgano después de revisar los marcadores utilizados en 14 tejidos humanos y murinos.
Por su parte, la inteligencia artificial (IA) también está permitiendo reconocer estas células a partir de su aspecto. Un estudio publicado en Nature Communications en 2024 demostró que un algoritmo podía detectar senescencia mediante cambios en el tamaño, la forma y la textura del núcleo celular.
Un año más tarde, otro equipo desarrolló una estrategia de morfometría nuclear y aprendizaje automático capaz de identificar diferentes estados senescentes en cultivos celulares, músculo esquelético y cartílago. Otros proyectos están construyendo atlas multiómicos para describir cómo cambia la senescencia entre tejidos, edades y enfermedades.
En conjunto, estos trabajos indican que una identificación fiable deberá combinar varias capas de información: morfología, actividad genética, metabolismo, localización y relación con las células vecinas.
La firma química de las células senescentes en la piel. Los mapas Raman muestran la intensidad de cinco señales asociadas a lípidos en células sin expresión de p21 (izquierda) y células p21 positivas (derecha), delimitadas en rojo. Las zonas amarillas y rojas indican una señal más intensa, que coincide espacialmente con la activación de genes relacionados con la diferenciación y la reparación de la epidermis, como Krt10, Sfn, Lor, Sbsn y Dmkn. Cortesía: Zhang, K., Chen, X., Monticolo, F. et al.
Hasta dónde llega RamanOmics
El nuevo método es prometedor, pero todavía se encuentra en una fase preclínica. Sus principales limitaciones, según los autores del trabajo son estas:
❌ Se ha probado únicamente en piel y pulmón de ratones.
❌ El número de animales fue reducido: tres ejemplares por grupo experimental.
❌ La definición de senescencia se basó principalmente en la presencia de p21, por lo que puede excluir otros tipos de células senescentes.
❌ Algunas bandas Raman todavía necesitan una validación química más precisa.
❌ El sistema actual tarda alrededor de treinta horas en analizar un milímetro cuadrado de tejido.
❌ El modelo debe validarse en muestras independientes y en tejidos humanos.
❌ El estudio identifica asociaciones, pero no demuestra que los cambios lipídicos causen la senescencia.
Los investigadores trabajan en una versión más rápida del sistema y en su adaptación a muestras humanas. También deberán comprobar si el código de barras funciona en enfermedades como el cáncer, la fibrosis, la artrosis o la degeneración de tejidos.
Un posible endoscopio para observar el envejecimiento celular
🗣️ «Podemos imaginar que algún día desarrollaremos un endoscopio capaz de mirar dentro del organismo e identificar la senescencia celular», plantea Jeon Woong Kang, investigador del MIT y uno de los autores principales.
Un dispositivo semejante podría localizar focos de envejecimiento patológico, seguir la evolución de una fibrosis o comprobar si un fármaco senolítico alcanza realmente su objetivo. También permitiría observar las células antes y después de un tratamiento sin necesidad de destruirlas durante el análisis.
Antes será necesario demostrar que la técnica funciona en personas, en órganos distintos y ante enfermedades diferentes. Pero RamanOmics ofrece algo que hasta ahora resultaba extraordinariamente difícil: observar las células zombi sin matarlas para poder reconocerlas.▪️(21-septiembre-2026)
⏱️ LO MÁS IMPORTANTE DEL ESTUDIO, EN 30 SEGUNDOS
- Un código de barras para las células zombi: los investigadores han creado una firma digital que combina señales químicas y actividad genética para reconocer células senescentes.
- Sin destruir las células: RamanOmics utiliza microscopía Raman, una técnica óptica que permite analizar la composición bioquímica de los tejidos sin teñirlos ni dañarlos.
- La inteligencia artificial une las pistas: un algoritmo de aprendizaje automático integra los espectros Raman y la expresión de determinados genes para distinguir las células senescentes de las normales.
- Los lípidos dejan una huella reveladora: las células senescentes de la piel y el pulmón mostraron un aumento consistente de señales Raman asociadas a estructuras lipídicas.
- Cada tejido envejece de forma diferente: en el pulmón destacaron la inflamación y la remodelación de la matriz extracelular; en la piel, la queratinización, la reparación de la barrera cutánea y los cambios en el colágeno.
- También funciona durante la cicatrización: el método detectó la senescencia transitoria que aparece en la piel durante la reparación de heridas.
- Todavía no es una prueba clínica: la técnica se ha probado en ratones, tarda unas 30 horas en analizar un milímetro cuadrado de tejido y debe validarse en muestras humanas.
- El objetivo futuro: desarrollar sistemas rápidos y no invasivos capaces de localizar células senescentes, diagnosticar trastornos asociados a la edad y evaluar tratamientos senolíticos.
PREGUNTAS & RESPUESTAS: Células Zombis y RamanOmics
🧟 ¿Qué es una célula zombi?
Una célula zombi es una célula senescente que ha dejado de dividirse, pero continúa viva y metabólicamente activa. Puede liberar sustancias inflamatorias y alterar el funcionamiento de las células cercanas.
🧟 ¿Por qué se acumulan las células senescentes al envejecer?
El sistema inmunitario elimina muchas células senescentes, pero su eficacia disminuye con la edad. Como consecuencia, estas células permanecen más tiempo en los tejidos y pueden favorecer la inflamación crónica y la pérdida de función de los órganos.
🧟 ¿Qué es RamanOmics?
RamanOmics es una plataforma que integra microscopía Raman, secuenciación de ARN, transcriptómica espacial y aprendizaje automático para identificar y localizar células senescentes dentro de tejidos intactos.
🧟 ¿Qué significa el código de barras de las células senescentes?
Es un patrón digital compuesto por señales químicas del espectro Raman y características de expresión genética. Un algoritmo analiza esa combinación para calcular si una célula presenta un estado compatible con la senescencia.
🧟 ¿Puede utilizarse ya para diagnosticar enfermedades humanas?
No. El método se ha probado en tejidos de ratón y necesita validarse en muestras humanas, más órganos y cohortes independientes antes de convertirse en una herramienta clínica.
🧟 ¿La eliminación de todas las células senescentes sería beneficiosa?
No necesariamente. Algunas células senescentes contribuyen a la cicatrización, la regeneración y otros procesos normales. El objetivo terapéutico sería eliminar o modificar únicamente aquellas que permanecen demasiado tiempo y dañan el tejido.
Información facilitada por MIT News
Fuente: Zhang, K., Chen, X., Monticolo, F. et al. RamanOmics decodes the spatial vibrational–molecular architecture of senescence in aging and repair. Nature Aging (2026). DOI: https://doi.org/10.1038/s43587-026-01219-7
