La inteligencia artificial aplicada al envejecimiento acaba de ganar una herramienta especialmente interesante: una forma de reconocer células senescentes sin destruirlas durante el análisis. El método se llama RamanOmics y combina microscopía Raman, transcriptómica espacial y aprendizaje automático para construir una especie de “código de barras” bioquímico de la senescencia.
El trabajo, publicado el 21 de septiembre de 2026 en Nature Aging, no demuestra que la IA pueda rejuvenecer tejidos ni que exista ya una prueba médica lista para pacientes. Lo que sí demuestra es algo más concreto y potencialmente muy útil para la investigación: en muestras de pulmón y piel de ratón, el sistema pudo relacionar señales ópticas no destructivas con estados moleculares asociados a células senescentes y utilizarlas para identificarlas dentro del tejido.
La diferencia importa porque estudiar la senescencia suele exigir marcadores y técnicas que consumen o alteran la muestra. Si una señal óptica puede revelar qué células presentan un perfil senescente manteniéndolas intactas, los investigadores podrían observarlas antes y después de una intervención, seguir su evolución y comparar tratamientos con mucha más información temporal.
Qué son las células senescentes y por qué interesan tanto
La senescencia celular es un estado en el que una célula deja de dividirse pero permanece metabólicamente activa. Puede aparecer tras daño en el ADN, estrés u otros estímulos. No es simplemente una célula “vieja” ni una célula muerta: cambia su actividad, su metabolismo y la forma en que se comunica con el tejido que la rodea.
Estas células cumplen funciones útiles. Participan, por ejemplo, en procesos del desarrollo y en determinadas fases de reparación tisular. El problema aparece cuando se acumulan con la edad o persisten en contextos en los que deberían desaparecer. Esa acumulación se ha relacionado con inflamación crónica, degeneración de tejidos y varias enfermedades asociadas al envejecimiento.
Por eso existe un interés creciente en detectar con precisión dónde están, qué tipo de senescencia presentan y cómo responden a intervenciones. El campo de los senolíticos —compuestos diseñados para eliminar selectivamente algunas células senescentes— depende en buena medida de poder medir mejor estas poblaciones. Sin una buena medición, resulta difícil saber si una intervención está actuando sobre las células correctas o simplemente alterando otros procesos del tejido.
El problema de los marcadores clásicos
Los investigadores ya disponen de biomarcadores relacionados con la senescencia, entre ellos proteínas como p16 y p21. Son útiles, pero ningún marcador aislado define por sí solo todas las formas de senescencia. Además, muchas técnicas necesarias para medir expresión génica o ciertos marcadores requieren procesar la muestra de manera que las células dejan de estar disponibles para un seguimiento posterior.
El equipo de MIT, Massachusetts General Hospital, Harvard Medical School y otras instituciones buscó una alternativa complementaria: observar la composición bioquímica del tejido mediante luz y conectar esa información con los programas moleculares que caracterizan a cada célula.
Cómo funciona RamanOmics
RamanOmics integra tres capas principales. La primera es la microscopía Raman hiperespectral. Esta técnica ilumina una muestra y mide cómo cambia la energía de una pequeña fracción de la luz dispersada. Las variaciones del espectro funcionan como huellas de enlaces químicos presentes en proteínas, lípidos, ácidos nucleicos y otros componentes.
La gran ventaja es que la microscopía Raman puede analizar tejido sin necesidad de destruirlo ni añadir una etiqueta molecular a cada objetivo. Por sí sola, sin embargo, una señal espectral no explica automáticamente qué genes están activos o qué estado biológico representa una célula.
Ahí entra la segunda capa: la transcriptómica espacial y la secuenciación de ARN a escala celular. Estas técnicas permiten saber qué programas génicos están activos y dónde se encuentran las células dentro del tejido. Los investigadores utilizaron esa información como referencia para relacionar determinados patrones Raman con estados moleculares de senescencia.
La tercera capa es el aprendizaje automático. En lugar de confiar en una única señal, el sistema combina características bioquímicas y transcriptómicas para construir un código de barras multimodal. El objetivo no es que la IA “vea la edad” de una célula de forma mágica, sino aprender qué combinación de señales tiene mayor capacidad para separar perfiles senescentes de no senescentes.
Qué encontraron en pulmón y piel de ratón
El estudio comparó tejidos de ratones jóvenes de dos meses con ratones de 26 meses. Los investigadores analizaron pulmón y piel porque la senescencia no se manifiesta exactamente igual en todos los órganos y querían comprobar si existían señales compartidas y, al mismo tiempo, diferencias específicas de cada tejido.
Una de las observaciones más llamativas fue el cambio en el metabolismo y la composición de lípidos. El artículo identifica una firma Raman conservada en torno a 1.131–1.135 cm⁻¹ asociada a perfiles lipídicos y capaz de marcar células p21 positivas dentro de los tejidos estudiados.
El trabajo no se limita a ese pico. La fuerza del enfoque está en combinar muchas características. En el pulmón envejecido aparecieron programas relacionados con remodelación de la matriz extracelular y señalización TGF-β; en piel, las células senescentes mostraron patrones vinculados a diferenciación epidérmica y otros procesos propios del tejido.
Al alinear la microscopía Raman con la transcriptómica espacial, el estudio trabajó con miles de células coincidentes en ambas modalidades. Esa correspondencia permitió entrenar y evaluar el sistema con una referencia molecular mucho más rica que una simple clasificación visual.
Por qué el “código de barras” de IA es la parte clave
La idea más interesante de RamanOmics no es una cifra aislada, sino la posibilidad de pasar de un análisis destructivo y lento a una lectura óptica más selectiva. Una vez identificadas las bandas Raman más informativas, un sistema futuro no necesitaría necesariamente reproducir todo el experimento ómico cada vez.
En teoría, podría buscar directamente un conjunto reducido de señales ópticas previamente validadas y estimar qué regiones del tejido tienen mayor probabilidad de contener células senescentes. Eso abre la puerta a mediciones repetidas y a experimentos longitudinales que hoy son mucho más difíciles.
El propio equipo plantea una posibilidad futura especialmente ambiciosa: desarrollar sistemas de imagen suficientemente rápidos para detectar estas firmas en tejidos humanos e incluso, algún día, integrarlas en dispositivos de exploración. Eso sigue siendo una perspectiva de investigación, no una aplicación clínica disponible.
La prueba adicional en cicatrización evita una conclusión demasiado simple
La senescencia no es únicamente un fenómeno perjudicial asociado a la edad. Durante la reparación de una herida puede aparecer de forma transitoria y participar en la coordinación del tejido. Para comprobar si sus firmas servían fuera del envejecimiento estable, los investigadores aplicaron el marco a un modelo de cicatrización en ratón.
Encontraron que las células senescentes del tejido en reparación reactivaban determinados programas de diferenciación epidérmica y que esos cambios coincidían con señales Raman relacionadas con lípidos. Esto refuerza una idea importante: el sistema no busca una etiqueta simplista de “célula mala”, sino estados bioquímicos y moleculares que dependen del contexto.
Para cualquier futura aplicación médica, esta distinción será esencial. Eliminar indiscriminadamente cualquier célula con rasgos de senescencia podría ser contraproducente si algunas cumplen una función útil en reparación o regeneración.
Qué papel desempeña realmente la inteligencia artificial
Es fácil presentar el resultado como “una IA que detecta envejecimiento”, pero esa frase pierde casi toda la precisión científica. La IA actúa como integrador y clasificador de señales complejas. No reemplaza la microscopía, la biología molecular ni la validación experimental.
El valor aparece porque cada célula puede producir cientos de variables espectrales y moleculares. Encontrar manualmente las combinaciones que mejor distinguen estados celulares sería difícil y propenso a simplificaciones. El aprendizaje automático ayuda a extraer patrones y convertirlos en un conjunto manejable de características.
Este tipo de aplicación ilustra una tendencia más amplia: en ciencia, la IA empieza a ser especialmente potente cuando conecta modalidades distintas —imagen, secuencia, expresión génica, estructura o señales físicas— y ayuda a priorizar qué información merece una comprobación experimental.
Para quien necesite reforzar primero una base general sobre qué puede y qué no puede hacer la IA antes de entrar en aplicaciones biomédicas, nuestro análisis de INTELIGENCIA ARTIFICIAL PARA TODOS revisa una ruta introductoria orientada a comprender la tecnología y aplicarla con criterio.
Qué puede cambiar para la investigación del envejecimiento
Si el método se valida en más tejidos y, sobre todo, en humanos, podrían aparecer varias aplicaciones. Una sería mejorar la cartografía de células senescentes dentro de órganos completos. Otra, comparar cómo cambia esa distribución con la edad, una enfermedad o un tratamiento.
También podría ser útil en investigación de senolíticos y senomórficos. En lugar de medir únicamente un resultado final, los equipos podrían observar si una intervención reduce ciertas firmas de senescencia, desplaza su estado bioquímico o afecta de manera diferente a células de distintos tejidos.
Hay además una ventaja metodológica: conservar la muestra permite encadenar análisis. Una región identificada ópticamente podría estudiarse después con otras técnicas, relacionando el estado inicial con resultados posteriores.
Lo que todavía no sabemos
El estudio tiene límites importantes y los autores los detallan. Primero, se realizó en ratones. El equipo está trabajando en adaptación a tejido humano, pero no puede asumirse que las mismas firmas funcionen con igual precisión en personas.
Segundo, la definición operativa utilizada se apoya en células p21 positivas. La senescencia es heterogénea y existen estados que pueden no quedar bien representados por ese marcador. Por tanto, el “código de barras” no debe interpretarse como una definición universal de toda célula senescente.
Tercero, la microscopía Raman hiperespectral todavía es lenta para grandes áreas. MIT explica que el sistema actual puede necesitar alrededor de 30 horas para analizar una muestra de aproximadamente un milímetro cuadrado. El equipo trabaja en una versión más rápida centrada en las bandas que han resultado más informativas.
Cuarto, muchas asociaciones observadas son correlativas. El hecho de que una señal lipídica acompañe a un estado senescente no demuestra que ese cambio sea la causa de la senescencia. Para establecer causalidad hacen falta experimentos de perturbación específicos.
No es un test de edad biológica ni una terapia antienvejecimiento
Conviene separar este trabajo de dos ideas que suelen mezclarse en titulares sobre longevidad. RamanOmics no calcula la “edad biológica” de una persona y no demuestra que una intervención pueda rejuvenecerla. Tampoco es una terapia.
Es una plataforma de medición. Y precisamente por eso puede ser importante: cualquier tratamiento serio necesita herramientas capaces de medir qué cambia, en qué células y durante cuánto tiempo. Una tecnología de observación mejor no es tan llamativa como un fármaco, pero puede acelerar la evaluación de muchos candidatos terapéuticos.
Una pieza de una tendencia mayor: IA + biología de alta resolución
La biología moderna genera cantidades enormes de datos a diferentes escalas: genoma, ARN, proteínas, metabolitos, imágenes y estructura espacial. El reto ya no es solamente obtener esos datos, sino conectarlos sin perder el contexto celular.
RamanOmics se sitúa justo en esa frontera. Utiliza una modalidad óptica que conserva el tejido y la alinea con información molecular de alta resolución. La IA actúa como puente entre ambos mundos. Esa arquitectura es más interesante que una simple clasificación porque puede extenderse a otros estados celulares además de la senescencia.
Ya vimos otro ejemplo de esta convergencia en AlphaGenome Atlas y su mapa de variantes del ADN, donde la IA ayuda a priorizar cambios genéticos que después necesitan validación experimental. Y en el hallazgo de un sistema enzimático mediante agentes de IA analizamos el paso siguiente: sistemas capaces de explorar grandes espacios de hipótesis y señalar candidatos que los científicos deben comprobar en el laboratorio.
Los propios autores señalan posibles extensiones a fibrosis, cáncer, reparación tisular y otros contextos en los que sería útil reconocer estados celulares de manera no destructiva.
Qué debería ocurrir para que llegue a la clínica
El camino es largo. Primero será necesario reproducir el rendimiento en cohortes humanas, distintos órganos, edades y enfermedades. Después habrá que comprobar sensibilidad, especificidad, robustez entre laboratorios y capacidad para distinguir senescencia de estados inflamatorios o de estrés que puedan producir señales parecidas.
También hará falta acelerar la adquisición de imágenes. Una técnica que tarda decenas de horas por milímetro cuadrado es excelente para investigación detallada, pero no para exploración clínica rutinaria. El objetivo de reducir el análisis a un conjunto de bandas informativas puede ser decisivo.
Para lectores que prefieran una introducción más general antes de entrar en estas aplicaciones científicas, nuestro análisis del eBook Inteligencia artificial para entender y aplicar la IA ofrece una visión básica de conceptos, usos y límites que ayuda a contextualizar tecnologías más especializadas.
Finalmente, cualquier uso diagnóstico necesitará validación regulatoria y demostrar que la información cambia decisiones clínicas de una manera beneficiosa. Una herramienta puede ser científicamente fascinante y, aun así, no aportar valor médico suficiente para justificar su coste.
Preguntas frecuentes sobre RamanOmics
¿RamanOmics detecta células senescentes sin destruirlas?
En el estudio publicado, la microscopía Raman permitió obtener señales bioquímicas de forma no destructiva y el sistema de aprendizaje automático las relacionó con perfiles de senescencia identificados mediante técnicas moleculares.
¿Se ha probado en humanos?
El trabajo principal se realizó en tejido de ratón. Los investigadores están trabajando en trasladar el enfoque a tejido humano, pero todavía no es una prueba clínica.
¿Puede servir para probar senolíticos?
Es una aplicación potencial. Una lectura no destructiva de senescencia podría ayudar a estudiar cómo cambian las células antes y después de una intervención, pero esa utilidad debe validarse experimentalmente.
¿La IA descubre por sí sola si una célula es vieja?
No. El sistema aprende patrones a partir de señales Raman y datos moleculares de referencia. Es una herramienta de clasificación multimodal, no una lectura directa de la “edad” celular.
¿Significa que ya podemos medir el envejecimiento dentro del cuerpo?
No. El equipo menciona futuros dispositivos de imagen como una posibilidad de investigación, pero hoy el trabajo está en una fase experimental de laboratorio.
Conclusión: medir mejor puede ser tan importante como tratar
Hecho: RamanOmics ha demostrado en tejidos de ratón que la microscopía Raman puede combinarse con información transcriptómica y aprendizaje automático para identificar firmas asociadas a células senescentes sin destruirlas durante la lectura óptica.
Hecho: el estudio encontró una firma lipídica conservada, construyó un código de barras multimodal y comprobó que parte de esas señales también aparecían en un contexto de cicatrización.
Inferencia: si las firmas se reproducen en humanos y la tecnología se acelera, este enfoque puede convertirse en una herramienta valiosa para seguir la senescencia y evaluar intervenciones con mayor resolución temporal.
Predicción: durante los próximos años veremos más plataformas biomédicas que combinen imagen no destructiva, ómicas espaciales e IA para observar estados celulares que hoy solo podemos confirmar destruyendo la muestra.
La promesa de RamanOmics no es haber encontrado una cura contra el envejecimiento. Es algo más básico y quizá más útil para que futuras terapias puedan evaluarse con rigor: aprender a ver mejor qué células están envejeciendo, dónde están y cómo cambian cuando intervenimos.