IA para el seguimiento celular riguroso y escalable Seguir células individuales a lo largo del tiempo es uno de los desafíos computacionales más difíciles de la biología. Las células se dividen, migran y cambian de forma, y incluso con potentes microscopios, la tarea de reconstruir linajes puede parecer un rompecabezas donde las piezas cambian constantemente. Durante décadas, gran parte de este trabajo se basó en heurísticas o reglas ad-hoc, lo que dificultó la reproducibilidad y hizo que los resultados fueran difíciles de comparar entre laboratorios. Dos artículos recientes muestran cómo la IA y la computación moderna están transformando este campo. En OrganoidTracker 2.0, Betjes y coautores introducen un marco probabilístico que cuantifica la incertidumbre en las asignaciones de linaje. En lugar de simplemente ofrecer una "mejor suposición", el método adjunta niveles de confianza, permitiendo a los investigadores identificar casos ambiguos y asegurar análisis posteriores más rigurosos. En paralelo, Bragantini y coautores presentan Ultrack, una herramienta diseñada para la escalabilidad y accesibilidad. Al integrar algoritmos avanzados de optimización y basados en grafos en plataformas ampliamente utilizadas, Ultrack hace posible procesar conjuntos de datos de imágenes a gran escala de manera eficiente, mientras reduce las barreras para su adopción. Juntos, estos avances marcan un cambio en el seguimiento celular: de heurísticas frágiles hacia herramientas estadísticamente fundamentadas, escalables y ampliamente utilizables. Muestran cómo la IA no solo está automatizando una tarea, sino que la está reformulando en términos de reproducibilidad, incertidumbre e integración con flujos de trabajo experimentales reales. Artículos: &

Programación de lógica en proteínas: biomateriales inteligentes que computan La mayoría de los "biomateriales inteligentes" de hoy responden de maneras simples, uno a uno: una entrada produce una salida. Un hidrogel podría liberar un fármaco cuando se expone a la luz, o una nanopartícula podría degradarse al encontrarse con una enzima específica. Pero la biología rara vez funciona de forma aislada. Las células y los tejidos están constantemente procesando múltiples señales a la vez, y los biomateriales de próxima generación necesitarán hacer lo mismo: decidir cuándo liberar, activar o localizar una proteína solo si la combinación correcta de desencadenantes está presente. Ryan Gharios y sus coautores presentan un marco que hace esto posible. En lugar de depender de síntesis químicas lentas y de bajo rendimiento, codifican lógica AND/OR/YES directamente en proteínas durante la expresión recombinante. El truco es usar conectores diseñados cuya topología define la "puerta": los sitios de corte en serie se comportan como OR, en paralelo como AND, y un solo sitio como YES. Las proteasas ortogonales sirven como las "entradas", y el material libera su carga proteica solo cuando se cumple la condición lógica programada. Con este enfoque, el equipo implementó los 17 comportamientos lógicos posibles de tres entradas e incluso lo extendió a un operador de cinco entradas. Demostraron la liberación precisa de proteínas de perlas magnéticas, la entrega multiplexada de hidrogeles, el etiquetado condicional de células HER2⁺, y programas intracelulares que deciden si una proteína permanece en la membrana o se difunde en el citosol. El verdadero avance es la escalabilidad. Debido a que la lógica está genéticamente codificada, los diseños pueden ser compilados rápidamente, producidos en bacterias y purificados a gran escala, abriendo la puerta a terapias programables, andamios responsivos para la ingeniería de tejidos y sistemas biohíbridos donde las células vivas y los materiales computan juntos. Este trabajo apunta a un futuro donde los biomateriales no solo responden, sino que realmente deciden, llevando la lógica booleana de los circuitos digitales a los sistemas vivos. Artículo:

Computación con ADN recargable por calor: circuitos lógicos que se reinician con un pulso de calor El ADN no es solo el portador de información genética; también puede ser programado como un lenguaje de pares de bases para construir circuitos que computan. En las últimas dos décadas, los investigadores han diseñado compuertas lógicas de ADN, osciladores e incluso redes neuronales. El desafío es que la mayoría de estos sistemas son de un solo uso: una vez que un circuito se ejecuta, se desplaza hacia el equilibrio y deja de funcionar. Cada nueva tarea requiere hebras de "combustible" frescas, creando desechos y limitando la escalabilidad. Tianqi Song y Lulu Qian presentan una alternativa sorprendente: circuitos que se recargan con nada más que un breve pulso de calor. Al atar las salidas a sus compuertas en una estructura de horquilla, las entradas aún impulsan la computación a través del desplazamiento de hebras, pero después de su uso, el calentamiento rompe los enlaces débiles mientras que los enlaces fuertes se mantienen. Luego, el enfriamiento restaura el sistema a un estado listo atrapado cinéticamente, preparado para nuevas entradas. La recompensa es grande. Demuestran al menos 16 rondas reutilizables de computación en el mismo tubo, con reinicios en minutos. El enfoque se escala a circuitos con más de 200 especies de ADN, incluidas redes neuronales de ganador se lleva todo y un clasificador de 100 bits que distingue los dígitos 6 y 7 de MNIST. El rendimiento se mantiene consistente a través de los reinicios, con una acumulación mínima de desechos. El resultado es una especie de fuente de energía universal para la computación molecular: el calor actúa como la "batería" que alimenta la lógica, los umbrales y las redes neuronales sin combustibles personalizados. Apunta a un futuro donde las computadoras de ADN sostienen comportamientos adaptativos y potencialmente de aprendizaje en sistemas químicos autónomos. Artículo: