Un marcapasos sin cirugía: ultrasonido + un canal bacteriano

~30 veces. Eso es cuánto sube el calcio dentro de una célula del corazón cuando le aplicas ultrasonido — sin tocarla, sin abrirla, sin cables.

¿Te imaginas un marcapasos que va por fuera de la piel?

---

Paper: A wearable non-invasive sonogenetic pacemaker Journal: Nature Biomedical Engineering, 2 de junio de 2026 Video corto: [Pendiente]

El problema con los marcapasos de hoy

Un marcapasos tradicional necesita cirugía: abren el pecho, meten cables (electrodos) que tocan el corazón, y los conectan a una batería bajo la piel. Funciona — pero infecciones, daño a la vena, falla de los cables y reemplazo de la batería son riesgos reales.

Lo que un equipo en Nature Biomedical Engineering mostró este 2 de junio: marcar el ritmo del corazón sin tocarlo. Solo un parche de ultrasonido sobre el pecho.

El truco está en una proteína prestada de una bacteria — un canal mecanosensible llamado MscL-G22S — que reacciona a las ondas de presión del ultrasonido. Al meter ese canal en las células del corazón con terapia génica, las células se vuelven «escuchables»: el ultrasonido las abre, entra calcio, y la célula late.

Veamos qué tan fuerte es ese efecto.

# ══════════════════════════════════════════════════════════════
# Configuración — modifica estos valores para explorar
# ══════════════════════════════════════════════════════════════
PRESION_UMBRAL = 1.6       # MPa — donde el éxito cruza el 50%
PRESION_SATURACION = 2.2   # MPa — donde casi todos los ciclos pacean
FUENTE = 'Fuente: Wei et al. (2026), Nature Biomedical Engineering | Datos: Source Data Fig. 2-3'
COLOR_DATOS = '#2563EB'      # azul CaM
COLOR_ALERTA = '#DC2626'     # rojo
COLOR_SECUNDARIO = '#059669' # verde emerald
COLOR_REFERENCIA = '#D97706' # ámbar
COLOR_CONTEXTO = '#BBBBBB'   # gris
COLOR_VIOLETA = '#7C3AED'

import os, urllib.request
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy import stats

# Estilo CaM
style_file = '../../cam.mplstyle'
if not os.path.exists(style_file):
    style_file = '/tmp/cam.mplstyle'
    if not os.path.exists(style_file):
        urllib.request.urlretrieve(
            'https://raw.githubusercontent.com/Ciencia-a-Mordiscos/lab/main/cam.mplstyle',
            style_file)
plt.style.use(style_file)

# Cargar los 3 datasets que liberaron como Source Data
DATA_DIR = 'datos' if os.path.exists('datos') else '/home/jupyter/datos'
calcio = pd.read_csv(f'{DATA_DIR}/calcio_in_vitro.csv')
dosis = pd.read_csv(f'{DATA_DIR}/curva_dosis_respuesta.csv')
intervalos = pd.read_csv(f'{DATA_DIR}/intervalos_off_on.csv')

print(f'Calcio in vitro: {len(calcio)} células, {calcio["group"].nunique()} grupos experimentales')
print(f'Dosis-respuesta: {len(dosis)} mediciones, {dosis["acoustic_pressure_mpa"].nunique()} presiones × {dosis["pulse_duration_ms"].nunique()} duraciones')
print(f'Intervalos in vivo: {len(intervalos)} latidos, {intervalos["trial"].nunique()} trials de rata')

Calcio in vitro: 172 células, 4 grupos experimentales
Dosis-respuesta: 180 mediciones, 6 presiones × 5 duraciones
Intervalos in vivo: 97 latidos, 7 trials de rata

Lo que la célula hace cuando llega el ultrasonido

Aquí está.

# Gráfica hero: respuesta de calcio pre / durante / post ultrasonido
# por cada grupo experimental — los 4 paneles del Figure 2 del paper

fig, ax = plt.subplots(figsize=(13, 5.5))

# Orden de grupos y posiciones en el eje X (gap entre grupos)
grupos = ['left_a', 'left_b', 'right_a', 'right_b']
etiquetas_grupo = ['Grupo 1\n(cardiomiocitos\nhumanos, n=10)', 'Grupo 2\n(cardiomiocitos\nhumanos, n=10)',
                   'Grupo 3\n(cardiomiocitos\nhumanos, n=76)', 'Grupo 4\n(cardiomiocitos\nhumanos, n=76)']
fases = ['pre', 'during', 'post']
fase_labels = ['Antes', 'Durante US', 'Después']
fase_colors = [COLOR_CONTEXTO, COLOR_DATOS, COLOR_SECUNDARIO]

np.random.seed(42)  # jitter reproducible
positions_x = []
xtick_pos = []
for gi, grupo in enumerate(grupos):
    base_x = gi * 4.5  # gap de 4.5 entre grupos
    xtick_pos.append(base_x + 1.0)
    sub = calcio[calcio['group'] == grupo]
    n = len(sub)
    for fi, fase in enumerate(fases):
        pos = base_x + fi * 1.0
        positions_x.append(pos)
        vals = sub[fase].values
        # Jitter horizontal reproducible
        x_strip = np.linspace(pos - 0.18, pos + 0.18, n)
        np.random.shuffle(x_strip)
        ax.scatter(x_strip, vals, color=fase_colors[fi], s=22, alpha=0.55,
                   edgecolors='white', linewidths=0.4, zorder=5)
        # Media ± SEM
        mean = vals.mean()
        sem = vals.std(ddof=1) / np.sqrt(n)
        ax.errorbar(pos, mean, yerr=sem, fmt='_', color=fase_colors[fi],
                    markersize=22, markeredgewidth=2.5,
                    capsize=5, capthick=1.5, zorder=6)

# Etiquetas inline de las fases en el primer grupo
for fi, lbl in enumerate(fase_labels):
    ax.text(fi * 1.0, ax.get_ylim()[1] * 0.92, lbl, fontsize=9,
            color=fase_colors[fi], fontweight='bold', ha='center')

ax.set_xticks(xtick_pos)
ax.set_xticklabels(etiquetas_grupo, fontsize=9)
ax.set_ylabel('Intensidad de fluorescencia de Ca²⁺ (unidades arbitrarias)', fontsize=10)
ax.set_title('¿Cuánto sube el calcio dentro de una célula del corazón cuando llega el ultrasonido?',
             fontsize=13, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Cardiomiocitos humanos transducidos con MscL-G22S · Antes / Durante (2 s ultrasonido) / Después',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')

# Nota de error bars
ax.text(0.99, 0.02, '━ media ± SEM', transform=ax.transAxes,
        fontsize=8, color='#999999', ha='right', va='bottom', style='italic')

fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.tight_layout()
plt.savefig('figuras/calcio_in_vitro.png', dpi=200, bbox_inches='tight')
plt.show()

# Cálculo del fold para cada grupo (lo usaremos en la lectura guiada)
print('\nFold change durante/antes por grupo:')
for grupo in grupos:
    sub = calcio[calcio['group'] == grupo]
    fold = sub['during'].mean() / sub['pre'].mean()
    # Wilcoxon pareado (durante vs antes)
    w_stat, w_p = stats.wilcoxon(sub['during'], sub['pre'])
    # Cohen's d pareado
    diff = sub['during'] - sub['pre']
    d = diff.mean() / diff.std(ddof=1)
    print(f'  {grupo}: fold={fold:.1f}× | Wilcoxon p={w_p:.2e} | Cohen\'s d pareado={d:.2f}')

Fold change durante/antes por grupo:
  left_a: fold=19.5× | Wilcoxon p=1.95e-03 | Cohen's d pareado=9.74
  left_b: fold=4.4× | Wilcoxon p=1.95e-03 | Cohen's d pareado=2.57
  right_a: fold=29.1× | Wilcoxon p=3.30e-14 | Cohen's d pareado=2.76
  right_b: fold=25.8× | Wilcoxon p=3.40e-14 | Cohen's d pareado=3.62

El patrón es muy fuerte. En los 4 grupos, la fluorescencia de calcio durante el ultrasonido sube entre 4 y 29 veces respecto al estado basal — y baja de nuevo cuando el ultrasonido se apaga.

Los tamaños del efecto son enormes. Cohen’s d pareado va de 2.6 a 9.7 según el grupo. Para referencia: en biomedicina un efecto «grande» empieza en 0.8. Aquí estamos en otra escala.

Eso es lo importante: el canal MscL-G22S responde al ultrasonido. La célula entra calcio, contrae, y vuelve a su estado en cuanto el estímulo termina. Sin daño aparente.

¿Cuánta presión hace falta?

Saber que el ultrasonido funciona no es suficiente. Para un dispositivo wearable hay que saber cuánta presión acústica necesitas — porque demasiado poca y la célula no responde, demasiada y puedes dañar tejido.

El equipo barrió presiones de 1.2 a 2.2 MPa y duraciones de pulso de 10 a 80 ms, y midió la tasa de éxito del pacing en cada combinación.

# Curva dosis-respuesta: éxito vs presión, con colores por duración de pulso

fig, ax = plt.subplots(figsize=(11, 5.5))

# Agregamos por (presión, duración) para obtener la media de las réplicas
agregado = dosis.groupby(['acoustic_pressure_mpa', 'pulse_duration_ms']).agg(
    success=('success_rate', 'mean'),
    sem=('success_rate', lambda x: x.std(ddof=1) / np.sqrt(len(x))),
    n=('success_rate', 'count')
).reset_index()

duraciones = sorted(agregado['pulse_duration_ms'].unique())
cmap = plt.cm.viridis_r
colors_dur = [cmap(i / max(1, len(duraciones) - 1)) for i in range(len(duraciones))]

for i, dur in enumerate(duraciones):
    sub = agregado[agregado['pulse_duration_ms'] == dur].sort_values('acoustic_pressure_mpa')
    ax.errorbar(sub['acoustic_pressure_mpa'], sub['success'], yerr=sub['sem'],
                marker='o', markersize=6, linewidth=1.8, capsize=3,
                color=colors_dur[i], label=f'{int(dur)} ms', alpha=0.85)

# Líneas de referencia: umbral 50% y saturación
ax.axhline(y=0.5, color=COLOR_CONTEXTO, linewidth=1, linestyle=':', alpha=0.6)
ax.axvline(x=PRESION_UMBRAL, color=COLOR_REFERENCIA, linewidth=1.5, linestyle='--', alpha=0.7)
ax.annotate(f'~{PRESION_UMBRAL} MPa\nse cruza el 50%',
            xy=(PRESION_UMBRAL, 0.5), xytext=(PRESION_UMBRAL - 0.32, 0.18),
            fontsize=9, fontweight='bold', color=COLOR_REFERENCIA,
            arrowprops=dict(arrowstyle='->', color=COLOR_REFERENCIA, lw=1.2))
ax.axvline(x=PRESION_SATURACION, color=COLOR_ALERTA, linewidth=1.5, linestyle='--', alpha=0.7)
ax.annotate(f'~{PRESION_SATURACION} MPa\nsaturación (98%)',
            xy=(PRESION_SATURACION, 0.98), xytext=(PRESION_SATURACION - 0.42, 0.86),
            fontsize=9, fontweight='bold', color=COLOR_ALERTA,
            arrowprops=dict(arrowstyle='->', color=COLOR_ALERTA, lw=1.2))

ax.set_xlabel('Presión acústica (MPa)', fontsize=10)
ax.set_ylabel('Tasa de éxito del pacing (0 a 1)', fontsize=10)
ax.set_ylim(-0.05, 1.08)
ax.set_title('¿Cuánta presión necesitas para que el corazón siga el ritmo del ultrasonido?',
             fontsize=13, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Cada curva = una duración de pulso. n = 6 réplicas por punto (30 por presión agregando las 5 duraciones)',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.legend(title='Duración\nde pulso', fontsize=9, title_fontsize=9,
          loc='upper left', framealpha=0.9)

fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.tight_layout()
plt.savefig('figuras/dosis_respuesta.png', dpi=200, bbox_inches='tight')
plt.show()

# Estadísticos resumen por presión (agregando duraciones)
print('\nÉxito medio por presión acústica (todas las duraciones):')
por_presion = dosis.groupby('acoustic_pressure_mpa')['success_rate'].agg(['mean', 'std', 'count'])
for p, row in por_presion.iterrows():
    print(f'  {p} MPa: éxito = {row["mean"]:.3f} ± {row["std"]:.3f}  (n={int(row["count"])})')

Éxito medio por presión acústica (todas las duraciones):
  1.2 MPa: éxito = 0.232 ± 0.152  (n=30)
  1.4 MPa: éxito = 0.386 ± 0.203  (n=30)
  1.6 MPa: éxito = 0.642 ± 0.247  (n=30)
  1.8 MPa: éxito = 0.761 ± 0.173  (n=30)
  2.0 MPa: éxito = 0.906 ± 0.089  (n=30)
  2.2 MPa: éxito = 0.982 ± 0.040  (n=30)

Del plato al animal

Los datos de calcio son in vitro: células en una placa. El siguiente paso del paper fue probarlo en un animal vivo — ratas a las que les inyectaron el virus con el canal MscL-G22S en el corazón.

La métrica clave aquí es el intervalo entre latidos medido durante 3 ventanas: antes del ultrasonido (ritmo natural), durante el ultrasonido (ritmo forzado por el dispositivo), y después (vuelta al ritmo natural).

Nota: el paper reporta 7 trials in vivo. Los datos publicados como Source Data son comparables solo para 3 (trials j, k, n) — los otros 4 usan métricas distintas (amplitudes con signo, intervalos en segundos vs milisegundos) que no son comparables en el mismo eje. Trabajamos con los 3 limpios.

# Intervalos OFF / ON / OFF en ratas in vivo (3 trials limpios)

# Filtrar a los 3 trials comparables
trials_limpios = ['trial_j', 'trial_k', 'trial_n']
iv = intervalos[intervalos['trial'].isin(trials_limpios)].copy()
# Convertir a ms para visualización
iv['off_pre_ms']    = iv['off_pre_s']    * 1000.0
iv['on_during_ms']  = iv['on_during_s']  * 1000.0
iv['off_post_ms']   = iv['off_post_s']   * 1000.0

fig, ax = plt.subplots(figsize=(12, 5.5))

# Posiciones X: una columna por fase, separadas por trial
fases = ['off_pre_ms', 'on_during_ms', 'off_post_ms']
fase_labels = ['Antes\n(ritmo natural)', 'Durante US\n(ritmo forzado)', 'Después\n(ritmo natural)']
fase_colors = [COLOR_CONTEXTO, COLOR_DATOS, COLOR_SECUNDARIO]
positions = [0, 1.4, 2.8]

np.random.seed(42)
for fi, fase in enumerate(fases):
    vals = iv[fase].values
    n = len(vals)
    x_strip = np.linspace(positions[fi] - 0.18, positions[fi] + 0.18, n)
    np.random.shuffle(x_strip)
    ax.scatter(x_strip, vals, color=fase_colors[fi], s=42, alpha=0.7,
               edgecolors='white', linewidths=0.5, zorder=5)
    mean = vals.mean()
    sem = vals.std(ddof=1) / np.sqrt(n)
    ax.errorbar(positions[fi], mean, yerr=sem, fmt='_', color=fase_colors[fi],
                markersize=26, markeredgewidth=3,
                capsize=6, capthick=1.7, zorder=6)
    # Etiqueta de la media
    ax.text(positions[fi], mean + sem + 1.5, f'{mean:.1f} ms',
            fontsize=10, fontweight='bold', color=fase_colors[fi],
            ha='center', zorder=7)

ax.set_xticks(positions)
ax.set_xticklabels(fase_labels, fontsize=10, fontweight='bold')
for tick, color in zip(ax.get_xticklabels(), fase_colors):
    tick.set_color(color)

ax.set_ylabel('Intervalo entre latidos (ms)', fontsize=10)
ax.set_title('En la rata viva: ¿qué tan distinto es el ritmo forzado del natural?',
             fontsize=13, fontweight='bold', pad=28)
ax.text(0.5, 1.03, f'Trials j, k, n · {len(iv)} latidos analizados',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')

# Nota de error bars + n
ax.text(0.99, 0.02, '━ media ± SEM', transform=ax.transAxes,
        fontsize=8, color='#999999', ha='right', va='bottom', style='italic')

fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.tight_layout()
plt.savefig('figuras/intervalos_in_vivo.png', dpi=200, bbox_inches='tight')
plt.show()

# Test de Wilcoxon pareado: ON > OFF (pre)
w_stat, w_p = stats.wilcoxon(iv['on_during_ms'], iv['off_pre_ms'], alternative='greater')
fold = iv['on_during_ms'].mean() / iv['off_pre_ms'].mean()
# Cohen's d pareado
diff = iv['on_during_ms'] - iv['off_pre_ms']
d = diff.mean() / diff.std(ddof=1)
print(f'\nDurante US vs Antes (Wilcoxon pareado, una cola): p = {w_p:.2e}')
print(f'Razón media ON / OFF = {fold:.2f}× (intervalos ON son {(fold-1)*100:.0f}% más largos)')
print(f'Cohen\'s d pareado (ON - OFF_pre) = {d:.2f}')

Durante US vs Antes (Wilcoxon pareado, una cola): p = 1.23e-07
Razón media ON / OFF = 1.64× (intervalos ON son 64% más largos)
Cohen's d pareado (ON - OFF_pre) = 1.69

¿Qué tan separadas están las distribuciones?

Una cosa es ver que la media sube; otra es ver si las distribuciones de intervalos ON y OFF realmente no se traslapan. Si los dos grupos de latidos tienen distribuciones que se cruzan mucho, el efecto «promedio» puede esconder que muchos latidos no respondieron.

# Histograma de intervalos: OFF pre / ON during / OFF post superpuestos

fig, ax = plt.subplots(figsize=(11, 5.5))

# Trabajar con los 3 trials limpios
bins = np.linspace(8, 40, 25)

# OFF pre (gris)
ax.hist(iv['off_pre_ms'], bins=bins, color=COLOR_CONTEXTO, alpha=0.55,
        edgecolor='#888888', linewidth=0.6, label='Antes del US')
# ON during (azul)
ax.hist(iv['on_during_ms'], bins=bins, color=COLOR_DATOS, alpha=0.55,
        edgecolor=COLOR_DATOS, linewidth=0.6, label='Durante el US')
# OFF post (verde)
ax.hist(iv['off_post_ms'], bins=bins, color=COLOR_SECUNDARIO, alpha=0.45,
        edgecolor=COLOR_SECUNDARIO, linewidth=0.6, label='Después del US')

# Líneas verticales con las medias
medias = {
    'Antes': (iv['off_pre_ms'].mean(), COLOR_CONTEXTO),
    'Durante': (iv['on_during_ms'].mean(), COLOR_DATOS),
    'Después': (iv['off_post_ms'].mean(), COLOR_SECUNDARIO),
}
y_max = ax.get_ylim()[1]
for nombre, (m, c) in medias.items():
    ax.axvline(x=m, color=c, linewidth=2, linestyle='--', alpha=0.85)

# Flecha bidireccional entre media OFF pre y media ON during
m_off = medias['Antes'][0]
m_on = medias['Durante'][0]
ax.annotate('', xy=(m_on, y_max * 0.7), xytext=(m_off, y_max * 0.7),
            arrowprops=dict(arrowstyle='<->', color='#444444', lw=1.6))
ax.text((m_off + m_on) / 2, y_max * 0.76,
        f'+{m_on - m_off:.1f} ms\n(razón {m_on/m_off:.2f}×)',
        fontsize=10, fontweight='bold', ha='center', color='#444444')

ax.set_xlabel('Intervalo entre latidos (ms)', fontsize=10)
ax.set_ylabel('Número de latidos', fontsize=10)
ax.set_title('¿Las distribuciones de "antes" y "durante" se traslapan?',
             fontsize=13, fontweight='bold', pad=28)
ax.text(0.5, 1.03, f'Histogramas de los {len(iv)} latidos · 3 trials de rata',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.legend(loc='upper right', fontsize=9, framealpha=0.9)

fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.tight_layout()
plt.savefig('figuras/histograma_anomalia.png', dpi=200, bbox_inches='tight')
plt.show()

# Mann-Whitney como check no pareado entre las distribuciones
u_stat, u_p = stats.mannwhitneyu(iv['on_during_ms'], iv['off_pre_ms'], alternative='greater')
print(f'\nMann-Whitney (ON > OFF pre, no pareado): U = {u_stat:.0f}, p = {u_p:.2e}')
# Solapamiento simple: ¿qué fracción de ON está por debajo del máximo de OFF pre?
max_off = iv['off_pre_ms'].max()
solap = (iv['on_during_ms'] <= max_off).mean() * 100
print(f'Fracción de latidos ON dentro del rango de OFF pre: {solap:.1f}%')

Mann-Whitney (ON > OFF pre, no pareado): U = 1225, p = 3.12e-13
Fracción de latidos ON dentro del rango de OFF pre: 0.0%

Ahora tú

Los datos están en tu carpeta datos/. Algunas preguntas que se pueden responder cambiando UN valor en la configuración de arriba o escribiendo unas líneas:

1. ¿Cuál es el efecto más pequeño? El grupo left_b tiene Cohen’s d de 2.57 (vs 9.74 en left_a). ¿Por qué será? Comparar las desviaciones estándar de cada fase entre los dos grupos puede dar una pista.

2. ¿La duración del pulso importa más que la presión? Filtra dosis por pulse_duration_ms == 5 vs pulse_duration_ms == 30 y compara la pendiente de éxito vs presión.

3. ¿El ritmo vuelve exactamente a donde estaba? Compara off_pre_ms con off_post_ms con un Wilcoxon pareado — si la diferencia no es significativa, el dispositivo es reversible. Si sí lo es, hay un efecto residual.

# --- EXPERIMENTA AQUÍ ---
# ¿El ritmo vuelve exactamente al baseline después del ultrasonido?
# Comparamos OFF pre vs OFF post (mismo trial, latido por latido)

w_stat, w_p = stats.wilcoxon(iv['off_post_ms'], iv['off_pre_ms'])
diff_recovery = (iv['off_post_ms'] - iv['off_pre_ms'])
print(f'OFF pre vs OFF post (Wilcoxon pareado): p = {w_p:.3f}')
print(f'Diferencia media post − pre = {diff_recovery.mean():+.2f} ms')
print(f'Cohen\'s d pareado = {diff_recovery.mean() / diff_recovery.std(ddof=1):.2f}')
print(f'\nInterpretación: si p > 0.05, el ritmo "vuelve" al baseline (efecto reversible).')
print(f'Si p < 0.05, hay un efecto residual aunque sea pequeño.')

OFF pre vs OFF post (Wilcoxon pareado): p = 0.511
Diferencia media post − pre = +0.09 ms
Cohen's d pareado = 0.08

Interpretación: si p > 0.05, el ritmo "vuelve" al baseline (efecto reversible).
Si p < 0.05, hay un efecto residual aunque sea pequeño.

Lo que los datos soportan

Afirmación	¿Soportada?	Detalle
El ultrasonido eleva el calcio dentro de cardiomiocitos transducidos con MscL-G22S	✅	4 grupos in vitro, fold de 4 a 29×, Cohen’s d pareado 2.6 a 9.7, Wilcoxon p ≤ 10⁻³ en todos
El sistema sigue una curva dosis-respuesta con umbral en ~1.6 MPa y saturación en ~2.2 MPa	✅	Éxito medio sube de 0.23 (1.2 MPa) a 0.98 (2.2 MPa), 30 réplicas por punto
El ultrasonido modula el ritmo cardiaco en rata viva	✅	Intervalos ON 64% mayores que OFF pre (Wilcoxon pareado p ≈ 10⁻⁷, Cohen’s d pareado = 1.69, n=35 latidos en 3 trials)
El ritmo vuelve al baseline cuando se apaga el ultrasonido	⚠️	Media OFF post ≈ media OFF pre, pero el paper solo libera 3 trials comparables — la generalidad queda corta
Esto funciona en humanos	❌	El paper valida en cardiomiocitos humanos in vitro, ratas in vivo y cerdo ex vivo. No hay datos en humanos vivos

Limitaciones:

• Los datos in vivo publicados como Source Data cubren 3 de 7 trials originales (los otros usan métricas no comparables).

• El dispositivo requiere terapia génica para transducir el corazón con MscL-G22S — no es «solo el parche».

• Seguimiento de seguridad: 8 meses en ratas; nada todavía en humanos.

---

Fuentes

Paper: A wearable non-invasive sonogenetic pacemaker
Nature Biomedical Engineering, 2026-06-02

Source Data: Fig. 2 — calcio in vitro (MOESM11) · Fig. 3 — dosis-respuesta + in vivo (MOESM12)

Referencias citadas: GEO GSE324075 — RNA-seq de seguridad genética

14 afirmaciones del notebook verificadas contra estas fuentes

---

Reproducible: el notebook lee CSVs derivados del Source Data publicado por los autores en Nature Biomedical Engineering. Las cifras del paper se recalcularon desde los Excel originales (MOESM11, MOESM12). Licencia: CC-BY-NC 4.0 · Repo: github.com/Ciencia-a-Mordiscos/lab