Ver tras las esquinas

Los robots y vehículos autónomos dependen de sensores para orientarse en su entorno. Cámaras, radares o sistemas láser como el LiDAR les permiten detectar objetos que están directamente frente a ellos. Sin embargo, hay una limitación evidente: no pueden ver lo que queda oculto tras una esquina, una pared o cualquier obstáculo. Esa “ceguera” puede convertirse en un problema serio cuando se trata de tomar decisiones rápidas, por ejemplo al girar en una calle o al moverse por un almacén lleno de personas y máquinas.

Hoy, Angel Rodríguez Lozano comenta el desarrollo de una tecnología que podría resolver ese problema. El sistema, llamado HoloRadar, permite a los robots “ver” más allá de su línea de visión directa utilizando ondas de radio combinadas con inteligencia artificial. Gracias a este método, los robots pueden reconstruir escenas tridimensionales ocultas, como la presencia de una persona o un objeto detrás de una esquina.

La idea se basa en una propiedad poco intuitiva de las ondas de radio. A diferencia de la luz visible, que tiene longitudes de onda muy pequeñas, las ondas de radio son mucho más largas. Tradicionalmente esto se consideraba una desventaja para crear imágenes detalladas. Sin embargo, el equipo dirigido por el ingeniero Mingmin Zhao se dio cuenta de que esa característica podía convertirse en una ventaja.

Las ondas de radio son tan grandes que las pequeñas irregularidades de las paredes o del suelo apenas afectan a su comportamiento. Como resultado, superficies planas como paredes, suelos o techos pueden actuar como espejos que reflejan las señales de radio de manera bastante predecible. Estas señales rebotan en el entorno y pueden rodear esquinas antes de regresar al sensor del robot.

En la práctica, HoloRadar envía pulsos de radio al entorno y analiza las señales reflejadas. Algunas de esas señales provienen de trayectorias indirectas que han rebotado varias veces en paredes o superficies antes de volver al sensor. Entre esos reflejos se encuentra información sobre lo que ocurre en zonas que el robot no puede ver directamente.

El reto es que todas esas reflexiones generan una señal muy compleja y difícil de interpretar. Para resolverlo, los investigadores desarrollaron un sistema de inteligencia artificial que combina aprendizaje automático con modelos físicos del comportamiento de las ondas de radio.

El proceso tiene dos fases. En la primera, el algoritmo mejora la resolución de las señales de radio recibidas y separa los diferentes ecos que corresponden a distintas trayectorias de reflexión. En la segunda fase, el sistema utiliza un modelo físico para reconstruir el camino recorrido por esas señales y determinar la posición real de los objetos que las produjeron.

Los investigadores comparan este problema con entrar en una habitación llena de espejos. En un espacio así se ven múltiples reflejos del mismo objeto en lugares distintos, y la dificultad consiste en averiguar dónde está realmente. El sistema de IA de HoloRadar aprende a “deshacer” esos reflejos y reconstruir la escena real.
A diferencia de otros sistemas de percepción sin línea de visión desarrollados en el pasado, HoloRadar tiene varias ventajas. No depende de la luz, por lo que funciona tanto en plena oscuridad como en condiciones de iluminación variables. Además, está diseñado para operar en tiempo real y puede instalarse en robots móviles.
En las pruebas realizadas, el sistema fue capaz de reconstruir pasillos, paredes y personas ocultas tras esquinas en entornos interiores. En el futuro, los investigadores esperan adaptarlo a escenarios exteriores como calles o intersecciones urbanas.
Si estas tecnologías se integran en vehículos autónomos y robots móviles, podrían proporcionar una capa adicional de seguridad. Detectar a un peatón antes de doblar una esquina o anticipar la presencia de un obstáculo fuera del campo de visión podría dar a las máquinas esos segundos extra que, en muchas situaciones, marcan la diferencia.

Neutrófilos traidores en tumores

Jorge Laborda habla de los neutrófilos, que son, en condiciones normales, la infantería rápida del sistema inmunitario: células abundantes, de vida relativamente corta, diseñadas para llegar deprisa a un foco de infección, fagocitar, liberar sustancias antimicrobianas y, si hace falta, montar una tormenta inflamatoria que luego habrá que apagar. El problema aparece cuando esa “infantería” entra en un escenario que no es exactamente una infección y, sin embargo, se comporta como si lo fuera: el tumor. Muchos tumores reclutan neutrófilos mediante quimiocinas, y en bastantes cánceres se observa una asociación inquietante: cuantos más neutrófilos hay en el tumor, peor es el pronóstico.

Hasta aquí, la idea general es bien conocida. Lo difícil es intentar responder una pregunta aparentemente simple: ¿son todos esos neutrófilos tumorales iguales? La literatura científica está llena de “subtipos”, definidos por moléculas concretas que marcan a estos diferentes tipos. Estos marcadores, y los neutrófilos que los portan, cambian según el tipo de cáncer: en algunos tumores aparecen neutrófilos con elevados niveles de una molécula llamada SiglecF, en otros aparecen neutrófilos con el marcador CD71, aún en otros los marcadores más abundantes son CD300LD, LOX-1, FATP2… Es como si cada tumor tuviera su propia marca de neutrófilos. Y si cada tumor prefiere un tipo particular de neutrófilos, cada uno habla un idioma distinto y comparar estudios y diseñar estrategias generales se vuelve una aventura improbable.

El trabajo que comentamos hoy propone una solución elegante: quizá los neutrófilos asociados a los tumores sean variados al principio, pero tal vez convergen hacia un estado terminal común, y ese estado se puede reconocer con un marcador común a todos ellos, en todos los tumores. Para demostrarlo, los autores reanalizan grandes colecciones de datos de scRNA-seq (secuenciación de RNA de célula individual) de humanos y ratones. Esto no es trivial, porque las bases de datos scRNA-seq suelen “perder” neutrófilos: estos, por su naturaleza celular particular. contienen poco mRNA y dan pocas lecturas, pocos datos, así que los filtros de calidad de datos estándar los eliminan como si fueran restos celulares, como si fueran molestas interferencias. Los autores del artículo desarrollan un método que permite recuperar los datos de matrices crudas y clasificarlos mejor, algo clave si queremos ver patrones reales y no artefactos de laboratorio.
La conclusión central de estos estudios es potente: a lo largo de muchos tumores, los neutrófilos progresan desde un estado más “circulante” (con expresión de SELL alta) hacia un estado “envejecido/terminal” dentro del tumor, marcado por elevada expresión de CCL3. Y lo importante: CCL3 aparece como marcador conservado, es decir, común a esos neutrófilos terminales en humanos y ratones.

Pero el artículo no se queda en el marcador. Analiza su función. Los autores muestran que CCL3 favorece la supervivencia de estos neutrófilos en nichos hipóxicos del tumor, y conectan el fenómeno con el eje CCL3–CCR1. Cuando eliminan CCL3 en neutrófilos mediante estrategias genéticas (incluyendo CRISPR) el tumor crece menos; y cuando generan neutrófilos a gran escala en cultivo con un sistema específico (llamado ER-Hoxb8) y los “educan” con sobrenadante tumoral, es decir, con el líquido que producen y secretan los tumores, ven que adquieren rasgos de neutrófilos asociados a tumor, pero si carecen de CCL3 pierden buena parte de su capacidad de estimular el crecimiento tumoral.

¿Para qué sirve todo esto? En el campo del diagnóstico, estos estudios sugieren la existencia de una firma más universal para detectar y comparar la infiltración neutrofílica. En terapia, los estudios abren la puerta a atacar la “infraestructura” común del tumor: no se persigue detener a cada “coche” por separado, sino destruir la carretera que todos necesitan para progresar. Los tumores pueden ser muy distintos, sí, pero si muchos dependen de los mismos nichos hipóxicos y de neutrófilos terminales sostenidos por CCL3, quizá bloquear esa vía frene a muchos “coches” a la vez.

Escuchadlo en el Podcast Ciencia Fresca de Cienciaes.com