ChromAgeNet: la IA que detecta envejecimiento con 77% precisión

ChromAgeNet: la IA que aprende a "leer" el envejecimiento en el núcleo de las células madre

Una red neuronal convolucional desarrollada por el IDIBELL y el Barcelona Supercomputing Center (BSC) identifica con un 77% de precisión si una célula madre de la sangre es joven o envejecida, analizando únicamente la organización tridimensional de la cromatina en imágenes de microscopía. El modelo, llamado ChromAgeNet, abre una vía de bajo coste para cribar miles de compuestos en busca de estrategias de rejuvenecimiento celular.

La investigación, publicada en la revista Aging Cell, fue codirigida por la Dra. Maria Carolina Florian, del programa de Medicina Regenerativa del IDIBELL e investigadora ICREA, y la Dra. Paula Petrone, del BSC-CNS y de ISGlobal. Constituye la parte central de la tesis doctoral de Pablo Iañez, investigador de ISGlobal, y combina experiencia en biología de células madre, envejecimiento, análisis de imagen e inteligencia artificial.

Cómo funciona ChromAgeNet

Para entrenar el modelo, los investigadores analizaron imágenes 3D de núcleos de células madre hematopoyéticas de ratón teñidos con DAPI, una técnica de tinción de ADN sencilla, barata y ampliamente extendida en cualquier laboratorio de microscopía.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Mediante una red neuronal convolucional —un tipo de IA diseñado específicamente para análisis de imagen—, ChromAgeNet aprendió a distinguir células jóvenes de envejecidas. Según el estudio, el modelo alcanza una probabilidad del 77% de clasificar correctamente las células en dos grupos, superando a un modelo de machine learning clásico basado en características de cromatina previamente definidas por los propios investigadores.

Una de las claves del trabajo es que las diferencias asociadas al envejecimiento no son necesariamente visibles al ojo humano. "El envejecimiento de las células madre es un proceso heterogéneo y los cambios en la arquitectura del núcleo pueden ser muy sutiles", señala el comunicado del IDIBELL. ChromAgeNet identifica combinaciones espaciales de la cromatina que contienen información sobre el estado de envejecimiento: algo que un investigador no podría extraer manualmente.

El equipo también diseccionó el modelo para entender qué características concretas estaban detrás de las predicciones. Identificó la entropía de la cromatina, la heterocromatina en la periferia del núcleo y ciertos condensados de cromatina como los predictores más fuertes. Conocer estos elementos permite ir más allá de una clasificación binaria y aporta información sobre qué rasgos de la arquitectura nuclear están asociados al envejecimiento.

Una nueva vía para buscar fármacos antienvejecimiento

El grupo usó ChromAgeNet como herramienta de cribado: aplicaron el modelo a células madre envejecidas tratadas con diferentes fármacos epigenéticos para ver si esos tratamientos producían cambios en la cromatina compatibles con un estado más joven. Los resultados, según los autores, no demuestran rejuvenecimiento funcional, pero sí muestran el potencial de la herramienta para evaluar intervenciones de forma rápida y escalable.

El bajo coste del DAPI y el reducido número de parámetros del modelo facilitan su integración en flujos de microscopía de alto rendimiento. En la práctica, esto podría acelerar el screening de miles de compuestos candidatos a rejuvenecimiento celular. Como parte del trabajo, los investigadores han publicado también un dataset abierto de imágenes 3D de células madre hematopoyéticas junto con el propio modelo, un recurso escaso en este campo.

El contexto: la IA se cuela en la biología del envejecimiento

ChromAgeNet llega en un momento de ebullición para la convergencia IA + longevidad. La revisión publicada en agosto de 2026 en Experimental & Molecular Medicine (Nature) por Park et al. sitúa a ChromAgeNet entre las herramientas pioneras de "deep learning para predicción del envejecimiento basada en cromatina", un enfoque que, según los autores, puede conectar cambios estructurales de la cromatina con fenotipos funcionales de envejecimiento sin necesidad de perfilado molecular completo.

No es un caso aislado. En agosto de 2026, un equipo de la Universidad de Tohoku publicó en Science Advances que el modelo Geneformer, entrenado con datos de expresión génica de unos 30 millones de células, permitió reducir 143 candidatos a un único regulador clave del envejecimiento en células madre hematopoyéticas: el factor Pbx1. Aumentar Pbx1 en células jóvenes reproducía rasgos de células envejecidas; hasta el 73,3% de los genes activados por Pbx1 también aumentaban en células viejas, según reportó Medical XPress.

El sector privado se mueve en paralelo. Insilico Medicine anunció el 17 de septiembre de 2026 la publicación en Cell de LongevityBench, un benchmark abierto con 17 tareas en cinco dominios de biodatos (clínica, genética, epigenética, transcriptómica y proteómica), junto con cinco modelos Longevity-LLM compactos (de 0,6B a 9B parámetros) y la plataforma agentic Longevity Claw. En el leaderboard público, el modelo compacto L-Qwen3.5-9B lidera el ranking agregado con una puntuación de 4,4, por delante de Gemini 3.1 Pro (8,2) y Claude Opus-4.6 (9,2), según Unite.AI. Insilico también presentó su iniciativa "Longevity Vaccines", basada en mRNA circular y nanopartículas lipídicas, para eliminar células senescentes.

Y hay un ecosistema de startups que lleva la IA a la clínica del envejecimiento: las longevity clinics se han cuadruplicado desde 2020, y empresas como You(th) —que mide más de 50 biomarcadores desde el smartphone— o AVARA —que combina wearables y datos de sangre para personalizar nutrición— intentan democratizar el acceso, reportó The Infinite Loop by Nebius.

¿Qué significa esto para tu startup?

Aunque ChromAgeNet es un proyecto académico, señala tres oportunidades concretas para founders de biotech, deeptech y healthtech:

Modelos fundacionales sobre datos celulares abiertos: el dataset y el código liberados por IDIBELL ilustran cómo construir un asset defendible en biotech. Si trabajas en drug discovery, imaging-based diagnostics o single-cell analysis, estudiar qué datos están liberando grupos como el BSC te da un atajo para entrenar modelos sin recolectar información propia desde cero.
Cribado fenotípico como alternativa al cribado molecular: ChromAgeNet demuestra que se puede predecir un estado biológico complejo (envejecimiento) a partir de imagen barata. El mismo patrón se aplica a detección de cáncer, respuesta a fármacos o calidad de células madre para terapias avanzadas. Para founders en lab automation o high-content screening, el mensaje es claro: el cuello de botella ya no es la IA, es la imagen bien etiquetada.
El stack abierto de longevidad está madurando: con LongevityBench (Insilico), Evo 2 (Arc Institute), HyenaDNA y DNABERT-2 disponibles públicamente, hay una capa fundacional sobre la que construir productos B2B (asistentes de longevidad, scoring de pacientes, identificación de dianas) sin entrenar modelos gigantes desde cero. Elige un nicho —biomarcadores epigenéticos, cronología biológica, cribado de senolíticos— y crea la capa de aplicación.