Investigadores de Stanford han cruzado un umbral que sonaba a ciencia ficción hace apenas unos años: un sistema de IA ha diseñado genomas virales completos y funcionales desde cero, y 16 de esos diseños generados por IA resultaron realmente funcionar en el laboratorio, infectando y matando bacterias con éxito.
Publicado esta semana en la revista Science, el avance marca la primera vez que la IA generativa produce de extremo a extremo un genoma completo y funcional de un virus, y llega en un momento en el que la misma clase de tecnología que está transformando los chatbots y los generadores de imágenes ya se está introduciendo directamente en el código de la vida.
Cómo lo hizo realmente la IA
La investigación estuvo liderada por Brian Hie, profesor asistente de ingeniería química en Stanford e investigador de innovación en el Arc Institute, trabajando junto al estudiante de doctorado Samuel King y colaboradores de NVIDIA y UC Berkeley. El equipo utilizó dos modelos de lenguaje genómico llamados Evo 1 y Evo 2: sistemas de IA que funcionan de manera conceptualmente similar a los modelos de lenguaje grandes detrás de herramientas como ChatGPT, excepto que, en lugar de predecir la siguiente palabra en una frase, predicen el siguiente par de bases en una hebra de ADN.
Evo 2, el más avanzado de los dos modelos, se entrenó con aproximadamente 9,3 billones de pares de bases de ADN extraídos de un conjunto de datos genómicos curado que abarca bacterias, plantas y otros organismos. De manera crucial, los investigadores excluyeron deliberadamente del conjunto de entrenamiento material genético de virus capaces de infectar humanos, animales o plantas; una salvaguarda diseñada específicamente para reducir la probabilidad de que el modelo pudiera usarse para diseñar algo peligroso para las personas.
Partiendo del genoma de un bacteriófago que ocurre de forma natural llamado ΦX174 —un virus con menos de 6.000 pares de bases, diminuto en comparación con los aproximadamente 3.000 millones de pares de bases de un genoma humano—, la IA generó miles de secuencias genómicas nuevas, nunca antes vistas. Los investigadores redujeron ese conjunto a 302 de los candidatos diseñados por IA más prometedores y los sintetizaron físicamente en el laboratorio, insertando el código genético escrito por la IA en células bacterianas para comprobar si las células ensamblarían realmente las instrucciones en un virus vivo y funcional.
Los resultados: 16 de 302
El proceso no fue especialmente eficiente: solo 16 de los 302 diseños sintetizados en el laboratorio resultaron viables. Pero esas 16 funcionaron: se ensamblaron en bacteriófagos capaces de infectar y destruir bacterias de E. coli. Se informó que Samuel King, el estudiante de doctorado que dirigió gran parte del trabajo en el laboratorio, se dio cuenta de que los fagos estaban funcionando durante una revisión a primera hora de la mañana de las placas de Petri, buscando señales visibles de que los nuevos virus diseñados por IA estaban consumiendo las colonias bacterianas que crecían sobre la placa.
Cabe destacar que, cuando los investigadores combinaron varios de los fagos diseñados por IA que tuvieron éxito en una especie de cóctel, la mezcla demostró ser capaz de superar rápidamente la resistencia bacteriana en dos cepas diferentes de E. coli; un hallazgo crítico, dado que la resistencia tanto a antibióticos como a fagos es uno de los desafíos centrales que limita cuán útiles pueden ser los virus modificados como tratamientos médicos.
Por qué esto podría importar para combatir los superbichos
Los bacteriófagos —virus que atacan y matan bacterias de forma específica dejando las células humanas intactas— se han explorado desde hace tiempo como una alternativa o complemento potencial a los antibióticos, en particular contra infecciones de “superbichos” resistentes a los fármacos que ya no responden al tratamiento convencional. El desafío central siempre ha sido la rapidez y la precisión: los fagos naturales que atacan una cepa bacteriana resistente específica no siempre están disponibles, y diseñar otros nuevos desde cero históricamente ha sido lento y difícil.
En su artículo, los investigadores escribieron que la capacidad de “diseñar rápidamente” genomas y ajustarlos frente a dianas bacterianas específicas, al tiempo que se supera la resistencia, podría “transformar la terapia fágica” y “ampliar de manera significativa los repertorios de herramientas biotecnológicas” disponibles para la medicina. Si la IA puede generar de forma fiable fago(s) nuevos bajo demanda —adaptados a la infección resistente específica a la que se enfrenta un paciente—, podría acortar de manera drástica el plazo para desarrollar tratamientos dirigidos contra bacterias que ya no responden a los fármacos existentes.
La advertencia de bioseguridad adjunta al avance
Junto con el logro científico, los propios investigadores señalaron preocupaciones serias. En el artículo de Science, indicaron explícitamente que el trabajo plantea “importantes consideraciones de bioseguridad, biocontención y bioseguridad”, y pidieron que cualquier investigador que persiga un trabajo similar de diseño completo de genomas con IA “consulte a profesionales tanto de seguridad como de protección durante todo el proyecto”.
Esa advertencia se reforzó en un comentario acompañante publicado junto con el estudio por el profesor Tom Inglesby y la doctora Moritz Hanke, del Center for Health Security de la Universidad Johns Hopkins. Escribieron:
“Aunque esto es prometedor para aplicaciones en ciencias de la vida, también plantea preguntas urgentes de bioseguridad y bioseguridad. La capacidad de componer genomas virales usando IA generativa ya existe; la gobernanza para dirigirla de forma segura no”.
Ese vacío de gobernanza es, sin duda, la parte más determinante de esta historia. Evo 2, el modelo detrás del avance, se ha liberado como una herramienta de código abierto: es decir, la misma capacidad subyacente de IA que diseñó 16 virus funcionales que matan bacterias ahora está disponible públicamente para que otros puedan construir sobre ella.
Hie ha reconocido que versiones modificadas de herramientas como Evo 2 podrían potencialmente usarse de forma indebida, aunque ha argumentado que los beneficios del acceso abierto —incluido ofrecer a los investigadores nuevas formas de estudiar patógenos naturales peligrosos y crear comprobaciones de seguridad directamente dentro del proceso de diseño— superan los riesgos, especialmente porque los datos de entrenamiento actuales del modelo fueron restringidos deliberadamente lejos de virus que infectan a humanos.
¿Qué viene después?
El equipo de Hie afirma que ahora trabaja en generar secuencias de ADN más largas y complejas, incluidos pequeños genomas bacterianos; un salto importante en complejidad frente a los aproximadamente 6.000 pares de bases de los genomas de fagos que participaron en este estudio. “Las preguntas abiertas más importantes para mí”, dijo Hie, “son cómo lograr mayor novedad genética y cómo lograr mayor capacidad de control de los resultados”.
Esa pregunta —cómo hacer que la biología diseñada por IA sea tanto más capaz como más predecible— probablemente definirá la siguiente fase de esta investigación. Para una audiencia de IA y cripto acostumbrada a ver cómo los sistemas de aprendizaje automático comprimen años de trabajo en días, los resultados de Stanford son un recordatorio de que la misma curva de aceleración que está transformando el código, las imágenes y los mercados financieros ya está en marcha, de forma visible, dentro del código genético de organismos vivos, con toda la promesa y el riesgo que eso implica.