Precisión mejorada en el análisis de cultivos celulares: aprovechando la inteligencia artificial para una evaluación imparcial y no destructiva del crecimiento y la viabilidad celular

Por qué importa comprobar las células

Detrás de cada nueva prueba farmacológica o experimento básico de biología hay células vivas creciendo en placas de plástico. Los investigadores deben saber cuántas células tienen, a qué ritmo crecen y cuántas siguen vivas. Hoy esto a menudo se hace a la vista, manualmente o con colorantes químicos, lo que es lento, costoso y vulnerable al error humano. Este estudio presenta SnapCyte, una herramienta de inteligencia artificial que interpreta imágenes simples de microscopio para evaluar rápidamente el crecimiento y la salud celular, sin reactivos adicionales ni máquinas caras.

Una nueva forma de ver crecer las células

Los autores se propusieron sustituir las comprobaciones subjetivas y manuales por un enfoque más objetivo. Construyeron SnapCyte para analizar imágenes corrientes de células tomadas con microscopios estándar o incluso con teléfonos inteligentes. El sistema se centra en tres preguntas básicas: cuánto de la placa está cubierta por células (confluencia), cuántas células hay (recuento celular) y qué fracción está viva frente a muerta (viabilidad). Para entrenar el software, reunieron una gran colección de imágenes cuidadosamente etiquetadas de muchos tipos celulares, recipientes de cultivo y condiciones de imagen. Expertos humanos delinearon áreas celulares y contaron células; esos ejemplos se usaron para enseñar a modelos de aprendizaje profundo a reconocer patrones relacionados con la cobertura, el número y la salud celular.

Enseñar al ordenador a ver como un experto en células

Para evaluar cuánto de una superficie está cubierta por células, el equipo usó un tipo de red de análisis de imágenes que puede convertir cada píxel en una decisión simple: “célula” o “no célula”. Entrenaron y corrigieron iterativamente este modelo hasta que alcanzó más del 90 por ciento de precisión en imágenes de prueba independientes. Las estimaciones de SnapCyte sobre la cobertura celular estuvieron casi perfectamente alineadas con las de los expertos humanos y superaron claramente a varias otras herramientas populares. El sistema también se mantuvo preciso cuando cambiaba la calidad y la resolución de las imágenes, lo que sugiere que puede manejar la iluminación desigual, el enfoque y el contraste típicos del trabajo de laboratorio cotidiano.

De la cobertura a los recuentos y la salud celular

Contar células individuales y decidir cuáles están vivas es más difícil, especialmente cuando las células se solapan o varían en tamaño. Para abordar esto, los investigadores adaptaron una red de segmentación celular existente y la reentrenaron con imágenes de muchos tipos celulares, células sanguíneas e incluso perlas plásticas de tamaños conocidos. Utilizaron un proceso de «humano en el bucle», corrigiendo errores repetidamente y añadiendo ejemplos más difíciles hasta que el modelo pudo detectar más del 95 por ciento de las células mientras rara vez confundía restos con células. Un modelo complementario aprendió a estimar el tamaño celular y a separar células vivas de muertas teñidas con colorantes comunes. En ensayos con muestras mixtas de vivas y muertas, los resultados de SnapCyte difirieron de los recuentos de expertos humanos en menos del cinco por ciento, mientras que enfoques previos de aprendizaje automático tenían errores mucho mayores.

Poner la IA a prueba frente a métodos clásicos de laboratorio

El equipo preguntó entonces si SnapCyte podía sustituir o igualar las pruebas estándar de crecimiento y toxicidad usadas en investigación y desarrollo de fármacos. Compararon sus mediciones de cobertura celular con recuentos directos, con ensayos colorimétricos que miden el metabolismo y con un instrumento comercial de imagen en células vivas. En varias líneas celulares y experimentos de tratamiento con fármacos, las lecturas de SnapCyte siguieron de cerca a estos métodos establecidos y, a menudo, mostraron menos variación entre usuarios. La herramienta también pudo estimar el tiempo de duplicación celular y proporcionó valores de sensibilidad a fármacos que coincidieron con datos publicados, usando menos placas, menos reactivos y mucho menos tiempo de trabajo manual.

Qué significa esto para el trabajo de laboratorio cotidiano

En conjunto, el estudio muestra que las imágenes simples de cultivos celulares contienen suficiente información visual para que un sistema de IA entrenado juzgue cuántas células hay y qué tan saludables están, sin tocar las células ni añadir químicos. SnapCyte ofrece mediciones rápidas y consistentes que dependen en gran medida de quién lo use o del microscopio que tengan. Para los científicos en activo, esto podría hacer que las comprobaciones rutinarias del crecimiento celular sean más fiables y menos laboriosas, a la vez que se preservan las mismas células para experimentos posteriores.

Cita: Wong, C.P., Khazamipour, N., Aalibagi, S. et al. Enhanced precision in cell culture analytics: leveraging artificial intelligence for unbiased and non-destructive assessment of cell growth and viability. Cell Death Discov. 12, 234 (2026). https://doi.org/10.1038/s41420-026-03116-9

Palabras clave: cultivo celular, inteligencia artificial, recuento de células, viabilidad celular, análisis de imágenes