223/365

La IA comienza a diseñar la vida

8 min de lectura

Los modelos generativos han diseñado genomas virales completos que posteriormente se sintetizaron y probaron en el laboratorio. Se trata de bacteriófagos, no de virus humanos, pero el salto conceptual es enorme.

Una secuencia de ADN generada digitalmente se transforma en un bacteriófago dentro de un laboratorio brutalista.
GENERATIVE
LIFE
Imagen elaborada a partir del archivo fotográfico de Claudio Napoli

Un modelo generativo produce una secuencia. Los investigadores la seleccionan, la sintetizan en un laboratorio y la introducen en un sistema biológico. En ese momento, ya no se trata de una imagen o un texto: algo comienza a replicarse. Por eso, el reciente trabajo de Stanford y el Arc Institute es tan importante. Los investigadores utilizaron modelos genómicos para diseñar nuevos bacteriófagos funcionales: virus que infectan bacterias en lugar de personas. Este resultado marca un hito para la IA generativa.

Los modelos de la familia Evo aprenden patrones en el ADN de una manera conceptualmente similar a como los modelos de lenguaje aprenden patrones en el texto. En lugar de palabras, hay secuencias de nucleótidos; en lugar de oraciones, hay regiones genómicas. El sistema no «comprende la vida» en el sentido humano, pero puede aprender estructuras estadísticas y funcionales con la suficiente profundidad como para proponer secuencias plausibles.

Los investigadores generaron un amplio conjunto de candidatos, seleccionaron varios cientos de diseños para su síntesis y descubrieron que dieciséis producían bacteriófagos viables capaces de infectar a la E. coli. Algunas combinaciones lograron superar la resistencia que limitaba a los fagos naturales. La posibilidad médica es evidente: los bacteriófagos se han estudiado durante mucho tiempo como un posible complemento o alternativa a los antibióticos, en particular contra las bacterias resistentes a los medicamentos.

El número importante no es dieciséis. El cambio fundamental reside en que la IA contribuyó al diseño de un genoma funcional completo. La biología generativa ya había producido resultados impresionantes en proteínas, moléculas y secuencias reguladoras. Un virus completo añade otra capa de coordinación: el genoma debe permitir la entrada en una célula huésped, la replicación, el ensamblaje de partículas y la propagación. Se trata de una pequeña máquina biológica, más que de un solo componente.

El trabajo se llevó a cabo con medidas de seguridad específicas. Los investigadores se centraron en fagos bacterianos y evitaron procesos destinados a generar patógenos para humanos, animales o plantas. Esta distinción es importante porque titulares como «La IA crea nuevos virus» pueden volverse sensacionalistas fácilmente. Estos experimentos no crearon virus diseñados para infectar a las personas. El riesgo significativo es diferente: demuestran que la capacidad genómica generativa se está volviendo operativa.

Aquí es donde entra en juego la bioseguridad. Si un modelo puede crear estructuras biológicas novedosas, los sistemas de seguridad no pueden basarse únicamente en el reconocimiento de secuencias peligrosas conocidas. La novedad es precisamente lo que los sistemas generativos están diseñados para producir. El análisis tradicional de síntesis de ADN suele buscar similitudes con agentes conocidos o genes sensibles. Las futuras medidas de seguridad podrían necesitar estimar una función plausible incluso cuando una secuencia no se parezca mucho a ninguna en una base de datos existente.

Esta misma capacidad puede ofrecer grandes beneficios. La resistencia a los antibióticos, las terapias personalizadas, la agricultura, las enzimas industriales y la ciencia básica son campos en los que la exploración rápida del espacio de secuencias podría ahorrar años de ensayo y error. La IA puede proponer combinaciones que la evolución no ha explorado, o que un laboratorio humano jamás tendría tiempo de probar. El ciclo consiste en generar, sintetizar, medir, retroalimentar los resultados al modelo y volver a generar.

El papel del científico no desaparece con esta automatización, sino que se transforma. El recurso escaso ya no es solo la idea, sino también el criterio para determinar qué posibilidades merecen materializarse. Los investigadores siguen formulando objetivos, definiendo limitaciones, seleccionando candidatos, diseñando experimentos e interpretando los fracasos. En ese sentido, la biología generativa se asemeja a las transformaciones ya visibles en la creación de imágenes y el diseño, pero con mayores implicaciones.

En biología, el coste del error es diferente. Una imagen defectuosa se puede eliminar. Una secuencia biológica requiere contención, procedimientos y rendición de cuentas. Esto convierte la etapa de síntesis física en uno de los puntos clave para la gobernanza: se pueden incorporar controles, autorización, trazabilidad y revisión independiente antes de que una propuesta digital se convierta en un organismo real.

La comparación con los modelos de lenguaje revela la diferencia. Si un modelo de lenguaje natural completa una oración incorrectamente, el texto puede eliminarse al instante. Un modelo genómico genera una propuesta que, una vez sintetizada, entra en una cadena experimental mucho más costosa y delicada. Por lo tanto, la selección se vuelve crucial. Un laboratorio no puede probar todo lo que un modelo imagina; necesita filtros, prioridades y lógica experimental. La biología generativa no elimina el cuello de botella humano, sino que lo traslada de la producción de posibilidades a su validación.

La propiedad intelectual podría convertirse en una nueva frontera. Si un modelo propone una secuencia biológica, un investigador la selecciona y luego la perfecciona mediante ciclos experimentales, ¿dónde reside la invención? Las patentes de biotecnología se basan en la novedad, la actividad inventiva y la divulgación técnica. Estos conceptos serán puestos a prueba por sistemas capaces de explorar automáticamente enormes espacios de secuencias posibles.

Lo más llamativo es que el ADN y el software están empezando a compartir una lógica generativa. Ambos pueden representarse como secuencias, completarse, optimizarse y probarse. Pero el ADN posee una propiedad que el software convencional no tiene: cuando una secuencia funciona, la materia viva puede ejecutarla y replicarla. Esto es lo que hace que la biología generativa sea a la vez poderosa y sensible. La IA no solo está aprendiendo a describir la naturaleza, sino que está empezando a proponer nuevas configuraciones que la naturaleza puede ejecutar.

La vida generativa no significa que un chatbot se haya convertido en biólogo. Significa que los modelos están empezando a participar en el diseño de estructuras que pueden construirse y funcionar en el mundo biológico. Tras el texto, las imágenes, el vídeo y el código, la IA está entrando en un ámbito donde la frontera entre información y materia es mucho más difusa.

Los modelos generativos han diseñado genomas virales completos que posteriormente se sintetizaron y probaron en el laboratorio. Se trata de bacteriófagos, no de virus humanos, pero el salto conceptual es enorme.

Palabras claveBiología generativaEvoBacteriófagosBioseguridadCienciaGenómicaBiología sintéticaIA
Fuente 01Wired — Científicos utilizaron IA para crear 16 nuevos virus↗Fuente 02Stanford Engineering: una herramienta de IA generativa marca un hito en la biología.↗Fuente 03Informe de Stanford: La IA amplía los límites del descubrimiento.↗
← Volver a la página de inicio