Un nuevo sistema de microscopía permite medir proteínas, grasas y agua en muestras biológicas con una preparación mínima. La tecnología identificó alteraciones microscópicas durante la recuperación de lesiones renales en ratones y podría ampliar las posibilidades de la investigación médica.
Redacción: Redacción Mundo de la Salud
Editor: Karem Díaz S.
Investigadores de la Facultad de Medicina de Harvard, en Estados Unidos, han desarrollado una tecnología que combina microscopía avanzada e inteligencia artificial para examinar la composición de los tejidos biológicos sin recurrir a los procedimientos convencionales de tinción. El sistema, denominado NoR-AI, permitió identificar cambios en la distribución de proteínas y lípidos durante la evolución de lesiones renales en ratones, incluidos detalles que no habían sido reconocidos mediante las técnicas habituales de análisis.
El trabajo científico fue publicado el 5 de noviembre de 2026 en la revista Proceedings of the National Academy of Sciences (PNAS) y presentado institucionalmente por Harvard el 13 de noviembre. La investigación estuvo dirigida por un equipo encabezado por Marc Kirschner, profesor de Biología de Sistemas de la universidad, con la participación de especialistas de la Universidad de California en San Diego y del Hospital Brigham and Women’s de Boston.
Una de las características más relevantes del procedimiento es su capacidad para generar imágenes cuantitativas de los tejidos en aproximadamente 30 minutos, con una preparación mínima de las muestras. En comparación, determinados procedimientos histopatológicos convencionales pueden necesitar varios días para completar todas las etapas de preparación y análisis.
Los resultados corresponden a una investigación preclínica. Aunque la tecnología ofrece nuevas posibilidades para estudiar enfermedades y lesiones celulares, todavía no se ha demostrado que pueda sustituir los análisis histopatológicos utilizados habitualmente para diagnosticar enfermedades en pacientes.
Por qué los métodos tradicionales pueden perder información
La histopatología es una disciplina fundamental de la medicina que permite estudiar tejidos mediante el microscopio para identificar alteraciones asociadas con enfermedades.
Durante décadas, los laboratorios han utilizado procedimientos que incluyen la fijación de muestras, su inclusión en materiales de soporte, el corte de secciones delgadas y la aplicación de colorantes capaces de destacar estructuras celulares.
Estas técnicas permiten reconocer numerosos cambios relacionados con inflamaciones, tumores, lesiones y otras enfermedades. Sin embargo, también presentan limitaciones.
Algunos procedimientos de preparación modifican determinadas características físicas del tejido y pueden eliminar sustancias importantes, especialmente lípidos y componentes solubles en agua.
Como consecuencia, las imágenes obtenidas no siempre conservan toda la información sobre la composición química original de las células.
Esta pérdida puede dificultar el estudio de procesos metabólicos en los que las grasas desempeñan funciones importantes, como la respuesta inflamatoria, el almacenamiento de energía y determinados mecanismos de lesión celular.
El desarrollo de herramientas capaces de conservar información molecular constituye una línea de investigación relevante para mejorar la interpretación de los tejidos. Otros proyectos han explorado el uso de inteligencia artificial para identificar tejido canceroso durante procedimientos médicos, aunque mediante tecnologías y objetivos diferentes.
Cómo funciona la nueva tecnología NoR-AI
El sistema desarrollado en Harvard combina dos componentes principales: una técnica óptica denominada imagen Raman normalizada, conocida como NoRI, y un sistema de análisis basado en redes neuronales convolucionales.
La microscopía NoRI utiliza dispersión Raman estimulada, un fenómeno que permite obtener información sobre las moléculas presentes en una muestra mediante su interacción con la luz.
Cuando la luz interactúa con determinados enlaces moleculares, se producen señales que pueden utilizarse para estudiar la composición química del material observado.
La técnica incorpora procedimientos computacionales destinados a corregir alteraciones ópticas que podrían dificultar la cuantificación de las sustancias presentes en el tejido.
De esta manera, los investigadores obtienen imágenes que representan la distribución espacial de proteínas, lípidos y agua.
Posteriormente, una red neuronal convolucional analiza estas imágenes para identificar estructuras anatómicas y reconocer diferencias microscópicas.
La combinación permite aprovechar dos capacidades complementarias: la obtención de información química cuantitativa mediante microscopía y la identificación automatizada de patrones mediante inteligencia artificial.
El resultado no consiste únicamente en producir imágenes visualmente detalladas, sino también en disponer de mediciones que pueden utilizarse para comparar tejidos y estudiar sus cambios.
El sistema identificó diferentes estructuras del riñón
Para comprobar el funcionamiento de la tecnología, los científicos utilizaron muestras de riñones de ratones.
Este órgano fue seleccionado porque contiene diferentes estructuras microscópicas que desempeñan funciones especializadas en la filtración de la sangre y en el equilibrio de agua y sustancias del organismo.
Entre ellas se encuentran los túbulos renales, encargados de recuperar o eliminar determinadas sustancias presentes en el líquido filtrado.
Mediante el análisis de imágenes NoRI, el sistema de inteligencia artificial consiguió diferenciar tres tipos de túbulos renales y clasificar regiones anatómicas del tejido.
El estudio comunicó una puntuación F1 de 0,93 para la clasificación de tipos tubulares y de 0,91 para la identificación de regiones anatómicas.
La puntuación F1 es una medida utilizada para evaluar sistemas de clasificación, que combina la precisión y la sensibilidad. Su valor máximo es 1.
Estos resultados indican un rendimiento elevado en las tareas específicas evaluadas, aunque no equivalen a demostrar una precisión diagnóstica del 93 % o del 91 % en pacientes humanos.
Los investigadores también encontraron diferencias en la distribución de proteínas y lípidos entre los riñones de ratones machos y hembras.
El sistema pudo clasificar el sexo biológico de los animales a partir de estas características con una puntuación F1 de 0,97.
Estas observaciones muestran que la composición molecular del tejido puede aportar información adicional a la obtenida mediante la observación de su estructura.
La inteligencia artificial reveló cambios durante la lesión renal aguda
Una de las aplicaciones más importantes del estudio consistió en examinar cómo evolucionan los tejidos después de una lesión renal aguda.
Esta condición aparece cuando los riñones experimentan un deterioro rápido de su funcionamiento, que puede estar relacionado con alteraciones circulatorias, infecciones graves, medicamentos u otras circunstancias clínicas.
En determinados casos, el daño puede recuperarse parcialmente. En otros, las alteraciones persisten y requieren tratamientos especializados.
La importancia de comprender estos procesos también se refleja en investigaciones clínicas recientes sobre las diferentes modalidades de diálisis utilizadas en pacientes críticos con lesión renal aguda, aunque el estudio de Harvard aborda los mecanismos microscópicos del daño y no la comparación de tratamientos.
Para investigar estos cambios, los científicos utilizaron un modelo experimental de lesión renal aguda en ratones y analizaron la organización de lípidos y proteínas durante los 25 días posteriores al daño.
La tecnología permitió cuantificar alteraciones conocidas de la estructura renal, así como identificar características adicionales relacionadas con la pérdida y acumulación de lípidos en diferentes regiones.
También detectó modificaciones en el borde en cepillo de los túbulos, una estructura microscópica relacionada con las funciones de reabsorción renal.
Los investigadores observaron que los cambios en la distribución de lípidos aportaban información importante para distinguir diferentes estados del tejido lesionado.
Estas mediciones podrían ayudar a estudiar con mayor detalle cómo se reorganizan las células durante los procesos de daño y recuperación.
Las imágenes cuantitativas mejoraron la identificación de lesiones tempranas
El equipo comparó el rendimiento del análisis basado en imágenes NoRI con el obtenido mediante imágenes convencionales de dispersión Raman estimulada sin la normalización desarrollada por los investigadores.
La comparación se concentró en la capacidad para distinguir momentos tempranos de la lesión renal producida por isquemia y reperfusión.
Este tipo de lesión aparece cuando el aporte sanguíneo a un tejido se interrumpe o disminuye y posteriormente se restablece, un proceso que puede desencadenar alteraciones celulares.
Al analizar muestras correspondientes a las primeras 24 y 48 horas después de la lesión, las imágenes NoRI permitieron obtener una puntuación F1 de 0,99, frente a 0,84 con las imágenes Raman convencionales utilizadas como comparación.
La diferencia fue estadísticamente significativa en las condiciones del experimento.
Los resultados sugieren que la normalización de las señales ópticas facilita reconocer cambios microscópicos que pueden quedar menos definidos en las imágenes originales.
Sin embargo, la comparación se realizó dentro de un modelo experimental específico y no demuestra que el procedimiento detecte enfermedades humanas con esa misma precisión.
El estudio tampoco estableció que utilizar esta tecnología mejore la supervivencia, la recuperación renal o las decisiones terapéuticas de pacientes hospitalizados.
Los lípidos aportan información que suele perderse en las biopsias convencionales
Uno de los aspectos que más interesan a los investigadores es la posibilidad de estudiar la distribución de grasas dentro de los tejidos.
Los lípidos cumplen numerosas funciones biológicas. Forman parte de las membranas celulares, participan en el almacenamiento energético y pueden intervenir en mecanismos de señalización y respuesta inflamatoria.
Las alteraciones en su distribución pueden acompañar diferentes procesos patológicos, pero su significado depende del tejido, de la enfermedad y de las condiciones en las que se producen.
El sistema NoR-AI permite analizar información sobre diferentes clases de lípidos, incluidos colesterol y grasas saturadas e insaturadas.
En los experimentos renales, los científicos observaron variaciones en la cantidad y localización de estas sustancias durante la evolución de las lesiones.
Marc Kirschner destacó que esta capacidad abre una vía para investigar componentes de los tejidos que tradicionalmente han sido difíciles de conservar y cuantificar mediante histología convencional.
La información podría resultar útil para comprender determinados mecanismos de inflamación, metabolismo y reparación celular.
No obstante, identificar una alteración en la distribución de lípidos no demuestra automáticamente que esa modificación sea la causa del daño.
Para establecer relaciones causales serán necesarios experimentos adicionales que permitan modificar procesos metabólicos específicos y observar sus consecuencias.
La tecnología también se investiga en modelos de cáncer
Después de los resultados obtenidos con el tejido renal, los investigadores comenzaron a explorar otras posibles aplicaciones.
El equipo está utilizando NoR-AI en modelos preclínicos de cáncer de colon, hígado y próstata.
El objetivo es determinar si la información molecular proporcionada por la microscopía puede ayudar a reconocer características relevantes de estos tejidos.
En oncología, la identificación precisa de estructuras y alteraciones celulares es fundamental para clasificar tumores y orientar decisiones médicas.
La inteligencia artificial ya se investiga como herramienta complementaria para analizar imágenes médicas. Un estudio anterior examinó la capacidad de sistemas de inteligencia artificial para clasificar la agresividad de determinados sarcomas, utilizando un enfoque diferente del desarrollado en Harvard.
En el caso de NoR-AI, los investigadores esperan establecer si las mediciones de proteínas y lípidos pueden revelar características que no se identifican fácilmente mediante las técnicas tradicionales.
También tienen previsto ampliar sus investigaciones a modelos de enfermedad renal diabética.
Por ahora, estas aplicaciones constituyen líneas de investigación y no procedimientos diagnósticos clínicos validados.
La rapidez del procedimiento no significa que pueda sustituir una biopsia
La posibilidad de obtener imágenes con una preparación mínima en aproximadamente 30 minutos representa una ventaja técnica potencial para determinados análisis de laboratorio.
Sin embargo, es importante distinguir entre el tiempo necesario para generar las imágenes experimentales y el tiempo completo que requiere un diagnóstico médico.
En la práctica clínica, el procesamiento de una biopsia incluye procedimientos de identificación, conservación, preparación, interpretación y control de calidad.
La nueva tecnología no elimina necesariamente la necesidad de obtener una muestra de tejido ni demuestra que todos esos procedimientos puedan completarse en media hora.
Tampoco se ha establecido su rendimiento frente a la histopatología convencional en grandes grupos de pacientes con enfermedades específicas.
Para incorporarla a la atención hospitalaria sería necesario evaluar su reproducibilidad entre laboratorios, su funcionamiento con muestras humanas y su capacidad para identificar alteraciones clínicamente relevantes.
También deberán examinarse los costes, la disponibilidad de equipos especializados y la posibilidad de integrar el procedimiento en los servicios de anatomía patológica.
Otro aspecto relevante es la transparencia del desarrollo tecnológico. La Universidad de Harvard informó que Marc Kirschner y Seungeun Oh figuran como titulares de una patente relacionada con la técnica de imagen Raman normalizada.
Esta circunstancia deberá considerarse junto con los resultados científicos en futuras evaluaciones independientes de la tecnología.
Una nueva herramienta para estudiar cómo se dañan y recuperan los tejidos
La investigación publicada en PNAS demuestra que combinar microscopía Raman normalizada con redes neuronales permite obtener información cuantitativa sobre la composición de tejidos renales de ratones.
El sistema consiguió identificar estructuras anatómicas, reconocer diferencias moleculares y seguir alteraciones de proteínas y lípidos durante la recuperación de lesiones experimentales.
La aportación más relevante consiste en recuperar información química que puede perderse durante los procedimientos tradicionales de preparación histológica.
Los resultados también muestran que la inteligencia artificial puede utilizarse para analizar esas mediciones y detectar patrones microscópicos difíciles de reconocer mediante una observación convencional.
El siguiente desafío será comprobar si estas capacidades pueden reproducirse en tejidos humanos y si proporcionan información que mejore realmente la identificación, clasificación o seguimiento de enfermedades.
Hasta que existan estudios clínicos adecuados, NoR-AI debe considerarse una herramienta de investigación preclínica con aplicaciones médicas potenciales, no una alternativa diagnóstica ya demostrada para sustituir los procedimientos utilizados en los hospitales.
Fuentes referenciales:
Harvard Medical School — AI-Assisted Imaging Method Advances 150-Year-Old Technique for Studying Tissue, 13 de noviembre de 2026
Proceedings of the National Academy of Sciences — Normalized Raman imaging for studies of tissue physiology of the kidney, 5 de noviembre de 2026
PubMed — Registro científico del estudio sobre microscopía Raman normalizada en tejidos renales

