Mundo, 23 de nov 2025 (ATB Digital).- Observar una molécula en tres dimensiones ha sido, durante años, como intentar armar un rompecabezas sin saber cuál es la imagen final. Investigadores del SLAC National Accelerator Laboratory han dado un salto importante en esta tarea al desarrollar X-RAI, un sistema de inteligencia artificial capaz de reconstruir imágenes tridimensionales a partir de datos obtenidos con rayos X de forma rápida y precisa.
Este avance nace de una necesidad crítica: el tiempo limitado que los científicos tienen para acceder a instalaciones como el Linac Coherent Light Source (LCLS), el láser de rayos X libre de electrones más potente del mundo. Allí, se generan imágenes bidimensionales a partir de pulsos ultracortos que atraviesan moléculas, como si se capturaran sombras desde distintos ángulos. El desafío ha sido convertir estas sombras en modelos 3D confiables, sin que el proceso se vuelva interminable.
El cuello de botella de los algoritmos tradicionales
La metodología clásica para obtener una imagen tridimensional consiste en recolectar cientos de miles de imágenes bidimensionales desde diferentes perspectivas. Cada una de estas imágenes representa una sección del objeto iluminado por el láser, pero la tarea de reconstruir la figura completa exige un esfuerzo computacional masivo. A medida que aumenta la cantidad de datos, también lo hace el tiempo requerido para procesarlos. Este punto es especialmente crítico en el LCLS, donde los investigadores disponen solo de unos pocos días para realizar todos sus experimentos.
Al tratarse de datos que se generan en tiempo real, los retrasos en el procesamiento pueden significar la pérdida de información clave. La solución planteada por el equipo de SLAC, en colaboración con el laboratorio de Gordon Wetzstein en la Universidad de Stanford, es una inteligencia artificial que aprende a medida que trabaja, adaptándose al volumen de datos sin frenarse.
Así funciona X-RAI: aprendizaje bidireccional
El sistema X-RAI no solo analiza las imágenes bidimensionales para deducir la orientación 3D de la molécula. También puede hacer el proceso inverso: partir de una estructura tridimensional hipotética y predecir qué imágenes 2D debería generar. Este enfoque bidireccional crea un ciclo de retroalimentación constante, en el que el algoritmo ajusta sus predicciones y mejora progresivamente.
Como si se tratara de un escultor que primero examina varias fotos de una estatua desde distintos ángulos y luego intenta reproducirla en arcilla, X-RAI afina sus habilidades hasta lograr una representación muy fidedigna. Cuantos más ejemplos analiza, más certera es su comprensión de la relación entre las imágenes planas y la estructura tridimensional.
Resultados en tiempo real con alta precisión
Uno de los grandes logros de X-RAI es su capacidad para operar en tiempo real. En las pruebas descritas en la revista Nature Communications, el sistema fue capaz de procesar hasta 160 imágenes por segundo, mientras generaba simultáneamente la reconstrucción 3D en pantalla. Esta velocidad representa una mejora sustancial respecto a los métodos anteriores, que podían tardar horas o incluso días en alcanzar un resultado similar.
El equipo probó el rendimiento del algoritmo utilizando datos de dos biomoléculas: una subunidad ribosomal y la ATP sintasa, una enzima fundamental en la producción de energía celular. Comparado con otros algoritmos, X-RAI logró reconstrucciones más nítidas, lo que indica que su aprendizaje progresivo también repercute en la calidad del resultado final.
Un aliado clave para los experimentos con rayos X
El uso de esta tecnología podría marcar una gran diferencia para los investigadores que dependen del LCLS u otras fuentes de rayos X. Dado que el acceso a estas instalaciones es limitado y muy competitivo, maximizar el rendimiento durante el tiempo asignado es crucial. Al permitir que las reconstrucciones se realicen mientras se recogen los datos, X-RAI ayuda a detectar errores o ajustar experimentos sobre la marcha, algo que antes no era viable.
Este tipo de eficiencia no solo optimiza los recursos, sino que también abre nuevas posibilidades. Por ejemplo, podría llegar a ser posible observar a nivel molecular cómo interactúa una enzima con un fármaco, generando una secuencia de imágenes que funcionen como un video microscópico. En palabras de Frédéric Poitevin, uno de los investigadores principales, este enfoque podría ofrecer «una imagen más precisa de cómo se mueve tu molécula».
Escalabilidad sin límites visibles
Una de las características más destacadas de X-RAI es su escalabilidad. Donde otros algoritmos se ven sobrepasados por el volumen de información, esta IA parece crecer con el desafío. No hay un límite claro para la cantidad de datos que puede procesar eficazmente, lo cual la convierte en una herramienta con gran potencial para campos que trabajan con big data científico.
Aplicaciones IA
Este enfoque también tiene el potencial de inspirar mejoras en otras áreas, como la medicina, la biología estructural o la ciencia de materiales. Al permitir ver más allá de las estructuras estáticas y entrar en el terreno del movimiento molecular, X-RAI podría contribuir al desarrollo de terapias más precisas o a una comprensión más profunda de los procesos fundamentales de la vida.
Lo que viene: inteligencia artificial al servicio de la ciencia
El proyecto no sólo representa una mejora técnica, sino también un cambio de paradigma en la forma en que se aborda la reconstrucción de estructuras a nivel atómico. Con X-RAI, la IA deja de ser un mero asistente para convertirse en un colaborador activo que aprende, corrige y mejora durante el mismo proceso experimental.
La investigación fue publicada en Nature Communications y estuvo liderada por Jay Shenoy, estudiante de doctorado en ciencias de la computación en Stanford. Con el respaldo de instituciones como SLAC y el Departamento de Energía de EE. UU., se consolida como una herramienta prometedora para enfrentar los retos de la ciencia de alta precisión.
Fuente: WWWHATSNEW