Diagnóstico diferencial mediante aprendizaje profundo de la depresión mayor y el trastorno bipolar usando sensores celulares de microglía y vesículas extracelulares pequeñas derivadas de pacientes

Por qué esto importa para las personas con trastornos del ánimo

La depresión y el trastorno bipolar afectan a cientos de millones de personas en todo el mundo, pero los médicos siguen diagnosticándolos principalmente mediante entrevistas y la observación del comportamiento. Dado que los episodios depresivos en ambas condiciones pueden parecer casi idénticos, a muchas personas con trastorno bipolar se les dice primero que “solo” tienen depresión, a veces durante años. Este estudio explora una idea radicalmente distinta: usar una muestra de sangre, células inmunitarias cerebrales vivas y la inteligencia artificial para crear una prueba objetiva que distinga con notable precisión entre la depresión mayor y el trastorno bipolar.

Convertir una extracción de sangre en una señal cerebral

Los investigadores se centraron en partículas diminutas en la sangre llamadas vesículas extracelulares pequeñas. Son burbujas microscópicas recubiertas de lípidos liberadas por muchos tipos de células del cuerpo, incluidas las células del cerebro. Transportan proteínas y material genético que reflejan lo que sucede dentro de esas células. En lugar de intentar leer directamente ese complejo cargamento, el equipo utilizó las vesículas como mensajes y pidió a otro tipo de célula que los “interpretara”: las microglías, las células inmunitarias residentes del cerebro. En el laboratorio, se cultivaron microglías de rata en placas y se expusieron a vesículas purificadas del plasma sanguíneo de tres grupos de personas: pacientes con trastorno depresivo mayor, pacientes con trastorno bipolar y voluntarios sanos.

Células usadas como sensores vivos

Se sabe que las microglías cambian su forma y su estructura interna cuando detectan inflamación u otras alteraciones en el cerebro. Tras 24 horas de exposición a las vesículas derivadas de pacientes, el equipo fijó y tiñó las microglías con marcadores fluorescentes para que el núcleo, el cuerpo celular y el esqueleto interno resaltaran en distintos colores bajo el microscopio. Cada imagen contenía muchas células, que luego fueron detectadas automáticamente y recortadas en miles de pequeñas imágenes de una sola célula. La idea era que las vesículas de los distintos grupos de pacientes empujarían a las microglías hacia formas sutilmente diferentes, y que esos patrones, aunque invisibles a simple vista, podrían ser captados por análisis avanzados de imágenes.

Enseñar a la inteligencia artificial a leer patrones celulares

Observar una célula a la vez resultó ser demasiado ruidoso: cuando un modelo de aprendizaje profundo intentó clasificar células individuales, la precisión se mantuvo por debajo del 60 por ciento. El avance clave vino al cambiar la manera de organizar las imágenes. En lugar de introducir las células una por una, los investigadores colocaron muchas imágenes de células individuales del mismo paciente en cuadrículas ordenadas: arreglos de 5 por 5 células funcionaron mejor. Estas cuadrículas actuaron como retratos compuestos de la respuesta microglial de cada persona. Una potente red de reconocimiento de imágenes, entrenada originalmente con fotografías cotidianas y luego afinada con estas cuadrículas celulares, aprendió a clasificar cada arreglo en una de tres categorías: depresión, trastorno bipolar o control sano.

De las cuadrículas de células a un diagnóstico probable

Para cada participante, el equipo generó muchas cuadrículas diferentes barajando las posiciones de las células y rotándolas o volteándolas ligeramente. Cada cuadrícula recibió una predicción de la red neuronal, junto con una puntuación de confianza. Para llegar a una decisión a nivel de sujeto, los investigadores no se limitaron a un voto mayoritario; en su lugar, sumaron las puntuaciones de confianza de todas las cuadrículas y eligieron el diagnóstico con el total más alto. Esta estrategia de “votación ponderada” aprovechó el hecho de que algunas cuadrículas contenían señales más claras que otras. Con este enfoque jerárquico—células agrupadas en cuadrículas, cuadrículas combinadas en una decisión final—el sistema clasificó correctamente a 44 de 45 personas en pruebas repetidas, lo que corresponde a una precisión a nivel de sujeto de alrededor del 99 por ciento.

Qué podría significar esto para la atención futura de la salud mental

El trabajo sigue siendo una prueba de concepto temprana, basada en un número modesto de participantes, y aún no tiene en cuenta factores como la edad, el sexo, la medicación o la historia de vida. Sin embargo, demuestra que los trastornos del ánimo pueden dejar firmas distintas, detectables por máquinas, en la forma en que las microglías responden a señales transportadas por la sangre. Al emparejar esta lectura biológicamente amplificada con aprendizaje profundo, el estudio apunta hacia una prueba basada en sangre, con resultados al día siguiente, que podría complementar las entrevistas clínicas y reducir los largos retrasos y los frecuentes diagnósticos erróneos que muchos pacientes sufren. Si se confirma en grupos mayores y más diversos, este tipo de plataforma celular más IA podría convertirse en una poderosa herramienta de psiquiatría de precisión, ayudando a los clínicos a elegir el tratamiento correcto antes y con más fiabilidad.

Cita: Zambrano, J., Luarte, A., Contreras, J. et al. Deep learning-based differential diagnosis of major depression and bipolar disorder using microglia-cellular sensors and patient-derived small extracellular vesicles. Sci Rep 16, 11679 (2026). https://doi.org/10.1038/s41598-026-47476-9

Palabras clave: trastorno bipolar, depresión mayor, aprendizaje profundo, vesículas extracelulares, microglía