Envejecer no consiste solo en que nuestras células se desgasten o mueran. Algunas adoptan un destino mucho más extraño: sufren un daño que no logran reparar por completo y dejan de dividirse, pero permanecen vivas. Cambian su metabolismo, alteran su relación con el tejido y comienzan a enviar señales a las células que las rodean. A menudo son denominadas «células zombi», aunque la comparación no es del todo justa. No están muertas y, en determinadas circunstancias, pueden resultar beneficiosas: impiden que una célula dañada continúe multiplicándose y participan en procesos como la cicatrización y la reparación de los tejidos.
El problema aparece cuando estas células, conocidas como células senescentes, no desaparecen cuando deberían. Su acumulación puede mantener encendidas señales inflamatorias, alterar el funcionamiento de los órganos y contribuir a enfermedades asociadas con la edad. Parece lógico pensar que, para estudiarlas o eliminarlas, bastaría con encontrar alguna molécula que las delatara. Sin embargo, durante décadas los científicos nos hemos encontrado con una dificultad inesperada: las células senescentes no parecían poseer un marcador molecular universal. El proyecto SenCat nació para intentar resolver ese misterio.
El marcador perfecto no existe
Durante años, los investigadores hemos buscado células senescentes recurriendo a un pequeño grupo de moléculas habituales. Entre ellas se encuentran p16 y p21, dos proteínas relacionadas con la interrupción de la división celular, o diversas moléculas inflamatorias liberadas al exterior. Estos indicadores continúan siendo útiles, pero ninguno resulta totalmente fiable para identificar células senescentes, ya que forman parte de muchos otros fenómenos celulares de nuestro organismo.
El motivo es que dejar de dividirse no basta para convertir una célula en senescente. Una célula puede detener temporalmente su crecimiento porque carece de nutrientes, porque se encuentra en reposo o porque ha adquirido una función especializada. Del mismo modo, algunas células auténticamente senescentes apenas muestran ciertos marcadores considerados clásicos.
La situación se complica todavía más porque no existe una única forma de senescencia. Una célula de la piel dañada por radiación puede comportarse de manera muy diferente a una célula del pulmón expuesta a quimioterapia. Incluso el tiempo transcurrido desde el daño modifica su aspecto molecular. Bajo una misma etiqueta convive, en realidad, toda una colección de estados celulares.
Por eso, buscar «el marcador de la senescencia» puede ser una pregunta mal planteada. Quizá no haya que encontrar una molécula que siempre esté presente, sino aprender a reconocer combinaciones de señales que, tomadas en conjunto, revelen lo que está ocurriendo dentro de la célula.
Catorce tipos celulares y más de treinta formas de senescencia
Para reconocer esas combinaciones era necesario observar la senescencia desde una perspectiva mucho más amplia. Con ese objetivo creamos SenCat, un catálogo molecular construido a partir de catorce tipos de células humanas primarias. Incluimos células procedentes del pulmón, la piel, los vasos sanguíneos, el músculo, el tejido adiposo, el hueso e incluso el cerebro. Queríamos evitar que nuestra visión de la senescencia dependiera únicamente de uno o dos modelos de laboratorio.
Además, no provocamos la senescencia de una sola manera. Algunas células fueron expuestas a fármacos que dañan el ADN; otras, a radiación ionizante, estrés oxidativo o señales oncogénicas, similares a las que pueden aparecer durante las primeras etapas de un tumor. En total, estudiamos más de treinta modelos diferentes. Todos ellos habían dejado de proliferar, permanecían vivos y mostraban varias características compatibles con la senescencia, pero no necesariamente las mismas.
Esta diversidad era esencial. Si hubiéramos analizado únicamente fibroblastos (uno de los tipos celulares más caracterizados en nuestro campo), podríamos haber confundido las peculiaridades de esas células con propiedades universales de la senescencia. SenCat trataba precisamente de separar ambas cosas: qué depende del tejido o del daño recibido y qué forma parte de una respuesta más general.
Cuando el ARN dice una cosa y las proteínas cuentan otra
De cada modelo obtuvimos dos grandes fotografías moleculares. La primera fue su transcriptoma, es decir, el conjunto de moléculas de ARN que indican qué genes está utilizando la célula en ese momento. La segunda fue su proteoma, el conjunto de proteínas que realmente ha producido y que llevan a cabo buena parte del trabajo celular.
La distinción es importante. El ARN contiene instrucciones, pero no todas ellas terminan convertidas en proteínas y, cuando lo hacen, las cantidades no siempre coinciden. Una célula puede aumentar el ARN correspondiente a una proteína sin que esta llegue a acumularse, o mantener una proteína durante mucho tiempo aunque sus instrucciones ya hayan disminuido.
Al comparar todos los modelos de SenCat encontramos algo llamativo: no existía un solo ARN ni una sola proteína que identificara de manera inequívoca todas las células senescentes. Algunos marcadores clásicos aparecían con frecuencia, pero fallaban en determinados tipos celulares o ante ciertos daños. Y, dentro de un mismo modelo, la coincidencia entre los cambios observados en el ARN y en las proteínas era generalmente baja.
Lejos de ser una decepción, este resultado ayudaba a explicar por qué la senescencia ha sido tan difícil de detectar. La célula no activa simplemente un interruptor que diga «soy senescente». Reorganiza numerosas funciones de manera gradual y dependiente del contexto. Para reconocerla es probablemente más adecuado observar el patrón completo.
Distintas moléculas, los mismos grandes programas
Sin embargo, que las células no compartieran marcadores individuales no significaba que fueran completamente diferentes. Cuando agrupamos los genes y proteínas según las funciones biológicas en las que participan, comenzaron a aparecer coincidencias.
En muchos modelos se activaban programas relacionados con la respuesta al daño, la inflamación, la adaptación metabólica, el funcionamiento de los lisosomas (los compartimentos celulares encargados de degradar y reciclar materiales) y la remodelación de los tejidos. Al mismo tiempo, disminuían los procesos vinculados con la división celular, la replicación del ADN y otras actividades necesarias para que una célula continúe proliferando.
El resultado sugiere que distintas células pueden utilizar moléculas diferentes para afrontar un problema parecido. Una célula de la piel y una célula vascular quizá no expresen los mismos marcadores, pero ambas parecen reorganizar su metabolismo, responder al daño y modificar su relación con el entorno.
Enseñar a un algoritmo a reconocer el conjunto
El siguiente paso consistió en averiguar si era posible convertir toda esa información en una herramienta práctica. Para ello utilizamos técnicas de machine learning capaces de examinar simultáneamente miles de moléculas y descubrir qué combinaciones distinguían mejor las células senescentes de las que no lo eran.
El algoritmo asignó importancia a numerosas señales: algunas aumentaban la probabilidad de que una célula fuera senescente y otras la reducían. La combinación de todas ellas permitió calcular una puntuación de senescencia a partir de los niveles de ARN o de proteínas de cada muestra. Las puntuaciones resultantes separaron de forma consistente las muestras senescentes de sus controles y funcionaron también en datos generados por otros laboratorios.
No se trataba, por tanto, de sustituir la biología por un algoritmo, sino de utilizar el algoritmo para integrar una cantidad de información imposible de interpretar observando unas pocas moléculas por separado.
La prueba de fuego: encontrarlas dentro de un órgano
Hasta ese momento, SenCat se había construido principalmente a partir de células cultivadas en el laboratorio. Pero un tejido real es mucho más complejo: contiene muchos tipos celulares mezclados, señales procedentes de todo el organismo y células que pueden encontrarse en distintas fases de la respuesta al daño.
Para comprobar si las firmas funcionaban en ese contexto, analizamos pulmones y riñones de ratones tratados con doxorrubicina, un fármaco usado como quimioterapia capaz de producir daño celular y favorecer la aparición de senescencia. Mediante secuenciación de ARN de células individuales pudimos estudiar miles de células por separado y observar cómo cambiaba su puntuación con el paso de los días.
Los resultados mostraron que la senescencia no aparecía al mismo tiempo ni con la misma intensidad en todas las poblaciones celulares. Algunas respondían pronto y otras lo hacían más tarde. Esta dinámica es importante, porque un tejido no pasa bruscamente de un estado «joven» a otro «senescente»: diferentes grupos de células recorren trayectorias distintas.
Aplicamos después el mismo planteamiento a datos de ratones que envejecían de manera natural. En varios órganos, las puntuaciones de senescencia aumentaban con la edad, tanto al analizar ARN de células individuales como al estudiar proteínas presentes en el conjunto del tejido. Esto indicaba que los patrones aprendidos a partir de células humanas cultivadas podían reconocer señales relacionadas con la senescencia en organismos completos y en especies diferentes.
Un mapa que nos acerca a su entendimiento
La búsqueda de un marcador universal partía de una expectativa comprensible: que todas las células senescentes compartieran una etiqueta inequívoca. Sin embargo, la biología rara vez es tan ordenada. La senescencia se asemeja más a un parecido de familia: no todos sus miembros poseen exactamente los mismos rasgos, pero la combinación de varias características permite reconocerlos.
SenCat cambia así la pregunta. En lugar de buscar una molécula que determine por sí sola si una célula es senescente, trata de identificar qué combinación de cambios revela ese estado en cada tipo celular, tejido y circunstancia. Sus puntuaciones no deben entenderse como una sentencia definitiva, sino como un mapa que ayuda a interpretar una realidad biológica compleja.
Esta diversidad será especialmente importante para el desarrollo de futuras terapias. No todas las células senescentes son iguales ni producen las mismas consecuencias. Cuanto mejor comprendamos la diversidad de la senescencia, mayores serán las posibilidades de diseñar intervenciones más precisas: capaces de eliminar determinadas células, modificar las señales dañinas que producen o preservar aquellas que todavía contribuyen al funcionamiento normal del organismo.
