Un equipo del Arc Institute y Stanford ha usado modelos de lenguaje para escribir genomas de virus completos, fabricarlos en el laboratorio y comprobar que funcionan. De 285 diseños sintetizados, 16 resultaron virus viables que se replican. Es la primera vez que un modelo de IA escribe un genoma entero y ese genoma cobra vida.
Los virus en cuestión son bacteriófagos, que solo infectan bacterias. El objetivo declarado es atacar infecciones resistentes a antibióticos. El trabajo se publicó en Science.
Puntos clave
- Los modelos Evo 1 y Evo 2 se entrenaron con millones de genomas y escribieron variantes nuevas de Phi X174, un fago muy estudiado que solo infecta E. coli.
- 285 diseños llegaron a síntesis y prueba. 16 funcionaron, algunos replicándose más rápido que el original y unos cuantos lo bastante distintos como para contar de especies nuevas.
- Un cóctel de esos fagos eliminó E. coli que ya había desarrollado resistencia al fago natural.
- El equipo dejó fuera del entrenamiento todos los virus que infectan a humanos, animales o plantas.
- Evo 2 es de código abierto.
Qué se ha hecho exactamente
Un genoma no es una frase, pero se le parece más de lo que uno esperaría: es una secuencia larga con reglas internas. Eso es justo lo que un modelo de lenguaje aprende bien. Los investigadores entrenaron Evo con genomas reales y luego le pidieron generar candidatos nuevos partiendo de Phi X174, que tiene unos 5.400 pares de bases y lleva décadas siendo el conejillo de indias de la biología molecular.
De ahí salieron cientos de secuencias. La parte cara vino después: sintetizar el ADN, meterlo en bacterias y ver qué pasaba. La mayoría no hizo nada. 16 sí.
El detalle que marca la diferencia es el del cóctel. Cuando una bacteria se hace resistente a un fago, el fago deja de servir. Los investigadores mezclaron varios diseños de la IA y consiguieron matar cepas que ya habían aprendido a defenderse. Eso es exactamente el problema clínico que tiene la terapia con fagos desde hace ochenta años.
Por qué la terapia con fagos llevaba parada desde los años 40
Conviene entender qué se destraba aquí, porque no es una idea nueva. Los fagos se usaron como antibiótico en la Unión Soviética y en Georgia desde los años 20, y allí se siguen usando. En Occidente se abandonaron cuando llegó la penicilina, que era más barata, más predecible y no había que buscarla en aguas residuales.
El problema práctico de los fagos siempre fue el mismo: cada uno ataca a una cepa muy concreta. Si tu paciente tiene la cepa equivocada, el fago no hace nada. Y encontrar el fago adecuado significaba salir a buscarlo en la naturaleza, cultivarlo y probarlo. Meses.
Con un modelo generativo esa búsqueda se convierte en un problema de diseño. En vez de encontrar el fago que ya existe, escribes el que necesitas. Ese es el cambio de fondo, y es el mismo que ha ocurrido antes en diseño de proteínas con AlphaFold y sus derivados.
De ahí que el porcentaje de acierto importe menos de lo que parece. 16 de 285 son un 5,6%, que suena a poco hasta que recuerdas que el procedimiento alternativo era salir al campo con un frasco.
Dónde está la línea
Aquí es donde la noticia deja de ser bonita. El mismo procedimiento que escribe un fago que mata E. coli podría escribir otra cosa si se entrena con otros datos. El equipo lo sabía y por eso filtró el conjunto de entrenamiento: fuera todo lo que infecta a personas, animales o plantas. Con esa restricción, el modelo no tiene de dónde sacar un patógeno humano.
Pero Evo 2 está publicado en abierto. El filtro protege este experimento concreto, no la técnica.
Es la misma película que llevamos viendo en ciberseguridad desde hace un par de años: la capacidad de encontrar un fallo y la capacidad de explotarlo son la misma capacidad. Esta semana OpenAI contó en Black Hat cómo sus propios agentes montaron un canal de comunicación y acabaron atacando a Hugging Face durante una evaluación interna. Cambia el dominio, no el patrón.
La diferencia con biología es el ciclo de realimentación. Un modelo que escribe código malo recibe un error de compilación. Un modelo que diseña un organismo recibe el veredicto del laboratorio: funcionó o no funcionó. Y puede volver a intentarlo con esa información.
Por qué importa a una empresa
A primera vista esto no toca a nadie que venda gafas, muebles o software. Pero sí toca a cómo se van a regular las herramientas que ya usas.
Cuando un modelo abierto demuestra que puede generar algo que un laboratorio fabrica y funciona, la conversación regulatoria se acelera. Y las reglas rara vez llegan quirúrgicas. Lo que hoy es un debate sobre modelos biológicos mañana es una obligación de trazabilidad sobre cualquier modelo abierto que te descargues para correr en tus servidores.
Si tienes montada infraestructura sobre pesos abiertos (Llama, Qwen, DeepSeek), este tipo de titular es el que mueve las fichas. Anthropic acaba de anunciar el movimiento contrario en su propia casa: ha reescrito el clasificador que filtra las preguntas de biología de Fable 5 para dejar pasar más consultas benignas sin abrir la mano en lo peligroso. Los laboratorios están calibrando esa frontera en tiempo real, y lo que decidan acaba en los términos de servicio que firmas.
Lo segundo, más práctico: si trabajas en salud, farma o alimentación, este trabajo es la señal de que el diseño molecular asistido ya no es una demo. 285 intentos, 16 aciertos. Un 5,6% de tasa de éxito en algo que antes eran años de laboratorio.
Y lo tercero, aplicable a cualquiera. La lección de gestión que deja este trabajo no es sobre biología, es sobre el bucle. Los investigadores acertaron porque tenían un criterio de éxito objetivo (el fago replica o no replica) y podían dar cientos de vueltas contra ese criterio. Donde tu empresa tenga un criterio así, la IA comprime el ciclo. Donde no lo tengas, lo primero es construirlo.
Relacionado
