El mecanismo de atención de los LLM afina el diagnóstico de subtipos de cáncer de mama

Por Zendoric · 24 de septiembre de 2026. Un equipo de la Universidad Islámica de Kushtia, en Bangladesh, ha publicado en BMC Bioinformatics un modelo de inteligencia artificial que lee simultáneamente tres capas distintas de la biología de un tumor de mama -qué genes se activan, qué microARN los regulan y qué marcas químicas de metilación los silencian- para clasificar con más precisión el subtipo de cáncer al que pertenece cada paciente. El framework, bautizado HCAM-BRCA (Hierarchical Cross-Attention Multi-omics, o multi-ómica jerárquica con atención cruzada), alcanza en su mejor configuración un coeficiente de correlación de Matthews de 0,7628 -una métrica exigente que penaliza los aciertos fáciles sobre la clase mayoritaria- y un área bajo la curva de precisión-cobertura de 0,8925, según los propios autores del estudio, Md. Neaz Ali y Suman Biswas.

La clasificación de subtipos se apoya hoy en PAM50, una firma de 50 genes que separa los tumores en categorías como Luminal A, Luminal B, Her2-enriquecido y Basal-like, cada una con pronóstico y tratamiento distintos. El problema, señalan los autores, es que PAM50 falla justo en la frontera entre Luminal B y Her2-enriquecido, una confusión que puede cambiar la terapia que recibe una paciente. Los métodos previos de integración de datos «ómicos» -el término para combinar varias capas moleculares de un mismo tumor- solían cruzar como mucho dos de esas capas a la vez; HCAM-BRCA es de los primeros en modelar las tres a la vez y en respetar la jerarquía real entre ellas, en la que la metilación condiciona la expresión génica y los microARN la modulan después.

La pieza técnica central es la atención cruzada: el mismo mecanismo matemático que usan los grandes modelos de lenguaje (LLM, los sistemas detrás de asistentes conversacionales como ChatGPT o Claude) para decidir qué partes de una entrada importan más para interpretar otra. Aplicado aquí, el modelo aprende primero qué rasgos dentro de cada capa ómica se relacionan entre sí, y después qué capas explican a las demás. La ventaja frente a una red neuronal convencional es que los pesos de atención son legibles: en vez de una caja negra, el sistema entrega una lista ordenada de los genes que más pesaron en cada clasificación, lo que permitió a los autores comprobar que esas prioridades coinciden con lo que ya sabe la biología -genes ligados a regulación transcripcional, organización de la cromatina y señalización inmune, un patrón coherente con lo que cabría esperar de análisis funcionales independientes basados en anotaciones de Gene Ontology y KEGG- y no con ruido estadístico.

El equipo entrenó y validó el sistema con datos de The Cancer Genome Atlas (TCGA), el repositorio público de perfiles tumorales que se ha convertido en el banco de pruebas estándar de la oncología computacional, y corrigió el desequilibrio entre subtipos -hay muchas menos muestras Her2-enriquecidas que Luminal A, por ejemplo- con una técnica de sobremuestreo llamada ADASYN. Sobre esa base probaron doce algoritmos de aprendizaje automático distintos; CatBoost, un método de gradient boosting, fue el más preciso, y Extra Trees, un conjunto de árboles de decisión, el más consistente detectando la clase minoritaria. Con validación cruzada de cinco pliegues -la técnica que entrena y prueba el modelo en subconjuntos distintos de los datos para evitar que memorice- la integración de las tres capas superó a las combinaciones de solo dos en todos los clasificadores probados, y el marco rindió bien precisamente en la frontera Luminal B/Her2-enriquecido que peor resuelve PAM50.

El hallazgo con más recorrido clínico llega de un segundo paso: cruzar los genes prioritarios de cada subtipo con la supervivencia de las pacientes. En los tumores Basal-like -la variante más agresiva, muy solapada con el cáncer de mama triple negativo- los genes CUX1, MYZAP y CEBPA se asociaron con la evolución de la enfermedad; en Luminal B, HOXA10 y el gen inmunitario HLA-DQA2; en Her2-enriquecido, GDF10 y ZNF879. Son, según los autores, candidatos a biomarcador dentro de cada subtipo, no en todos a la vez, que es como opera en la práctica la oncología de precisión: no se trata «un cáncer de mama» sino un subtipo concreto en una paciente concreta.

Conviene no adelantar acontecimientos. El estudio se apoya por completo en datos públicos ya existentes -no se reclutó a ninguna paciente nueva-, se publicó sin financiación externa y los propios autores lo dejan claro: los genes señalados son hipótesis que necesitan confirmarse en cohortes independientes y, más adelante, en la clínica. HCAM-BRCA llega además en medio de una ola de métodos de integración multi-ómica -como MOGONET o moBRCA-net- con los que compite por credibilidad, no como un salto aislado.

Lo que nos parece más significativo de este trabajo no es el decimal de su métrica, sino la elección de diseño: usar atención para que el modelo explique sus propias decisiones. En medicina, la precisión sin explicación tiene un techo bajo -ni un regulador ni un oncólogo firman un tratamiento basado en una caja negra-, así que la interpretabilidad no es un añadido cosmético, es la condición para que estas herramientas lleguen algún día a un hospital. Apunta también a algo que venimos viendo a lo largo de 2026: la misma maquinaria que entrena a los chatbots se está reutilizando, con adaptaciones de diseño relativamente modestas, para leer biología, y lo hace un equipo universitario sin gran presupuesto trabajando solo con datos públicos. Esa accesibilidad del método -arquitectura conocida, datos de TCGA abiertos- es el tipo de abundancia que sostiene nuestra tesis de fondo: cuantas más manos puedan aplicar estas técnicas a la biología, antes dejaremos de tratar el cáncer como una sola enfermedad y trataremos, con precisión creciente, la variante exacta de cada paciente. El camino hasta ahí sigue siendo largo -de un artículo a un ensayo clínico median años, y la mayoría de biomarcadores candidatos nunca llega a la práctica-, pero es exactamente el tipo de ladrillo pequeño y verificable sobre el que se construye, con el tiempo, la erradicación de una enfermedad.