Hasta ahora, buena parte de la revolución de la inteligencia artificial aplicada a la biología consistía en leer mejor la vida: predecir la estructura de proteínas, interpretar mutaciones o proponer pequeñas secuencias genéticas.
El último salto consiste en escribirla.
Un equipo de investigadores de Stanford y otras instituciones ha demostrado por primera vez que un modelo generativo puede diseñar el genoma completo de virus funcionales. No se trata de virus humanos ni de nuevos patógenos capaces de provocar enfermedades en personas. Son bacteriófagos, virus especializados en infectar bacterias. Pero la diferencia conceptual es importante: la IA no modificó simplemente una proteína concreta. Generó instrucciones genéticas suficientes para construir sistemas capaces de entrar en una célula, reproducirse y producir nuevas partículas virales.
Los investigadores trabajaron con los modelos genómicos Evo 1 y Evo 2, desarrollados para aprender regularidades en enormes cantidades de ADN de una forma conceptualmente parecida a cómo un modelo de lenguaje aprende relaciones entre palabras. Después de generar miles de posibilidades, el equipo seleccionó cerca de 300 diseños para sintetizarlos físicamente.
Evo aprendió el “lenguaje” del ADN y después tuvo que escribir un virus entero de principio a fin
El punto de partida fue ΦX174, un bacteriófago extremadamente estudiado cuyo genoma ronda los 5.400 pares de bases. Su pequeño tamaño lo convierte en un banco de pruebas mucho más manejable que el genoma de una bacteria o una célula compleja.
El desafío, sin embargo, sigue siendo considerable.
Un genoma no funciona como una colección independiente de genes. Distintas regiones deben coordinarse para que el virus pueda construir sus proteínas, ensamblarse, reconocer a la bacteria adecuada y completar su ciclo de replicación. Una secuencia que parece razonable sobre el papel puede resultar completamente inútil cuando llega al laboratorio.
Evo había sido entrenado previamente con millones de genomas microbianos y de bacteriófagos para aprender esas relaciones a escala de nucleótidos. En su desarrollo original, los investigadores excluyeron deliberadamente de los datos de entrenamiento los genomas de virus conocidos por infectar humanos y otros organismos considerados sensibles por razones de bioseguridad.
Para este nuevo experimento, el equipo pidió al modelo que generase genomas completos en una única secuencia, utilizando ΦX174 como referencia biológica. Posteriormente aplicaron filtros computacionales para escoger los candidatos más prometedores antes de pagar el considerable coste de sintetizarlos y probarlos físicamente.
El resultado dejó una cifra clara: de los aproximadamente 300 diseños llevados al laboratorio, 16 produjeron bacteriófagos viables. Algunos mostraron incluso una aptitud superior al ΦX174 natural utilizado como referencia.
Lo interesante no es crear virus por crear: quieren utilizarlos contra bacterias que ya no responden a los antibióticos
Los bacteriófagos llevan más de un siglo estudiándose como posibles armas contra las infecciones bacterianas.
Su atractivo reside en que pueden ser extraordinariamente específicos. Un determinado fago puede infectar una bacteria, reproducirse dentro de ella y destruirla sin atacar células humanas. Esa capacidad ha recuperado interés debido al aumento de las resistencias a los antibióticos. Stanford investiga precisamente los fagos como posibles herramientas frente a infecciones difíciles de tratar.
El problema es que las bacterias también pueden evolucionar resistencia frente a un virus. La estrategia explorada por el equipo consiste en generar muchos fagos genéticamente diferentes y utilizarlos conjuntamente. Para una bacteria sería más difícil desarrollar simultáneamente defensas frente a todo ese cóctel.
Los investigadores comprobaron esta idea utilizando los 16 diseños generados por IA frente a poblaciones de E. coli resistentes al ΦX174 original. Según Stanford, la combinación consiguió superar esa resistencia, ofreciendo una primera prueba de concepto de cómo una biblioteca de fagos generados computacionalmente podría ampliar las posibilidades de la terapia fágica.
Eso no significa que haya aparecido un sustituto inmediato de los antibióticos. El experimento utiliza un sistema relativamente pequeño y controlado, y trasladar el método hacia bacterias clínicamente relevantes, organismos más complejos o tratamientos para pacientes exigiría mucha más investigación.
Pero la IA ha demostrado algo que hasta ahora no estaba claro: puede aprender suficiente organización genómica como para generar un sistema biológico completo que funcione fuera del ordenador.
El mismo salto que entusiasma a la biología sintética también plantea una pregunta incómoda
Precisamente ahí aparece el otro lado del descubrimiento. Diseñar proteínas con IA ya planteaba debates de uso dual. Diseñar genomas virales completos y funcionales aumenta considerablemente la escala del problema.
Un comentario publicado junto al trabajo en Science señala que la generación de genomas virales funcionales tiene implicaciones urgentes para la bioseguridad y la bioprotección.
Los propios investigadores reconocen esa tensión. Evo 2 se ha desarrollado como una herramienta abierta para investigación y su equipo defiende que estos modelos también pueden acelerar la creación de defensas frente a amenazas naturales. Al mismo tiempo, admite que versiones modificadas de estas tecnologías podrían utilizarse de formas indeseadas.
Por ahora conviene mantener las proporciones. Los virus creados en este experimento son bacteriófagos muy pequeños, diseñados para atacar bacterias. Crear un organismo celular completo supondría un salto enorme: incluso algunos de los genomas bacterianos mínimos tienen centenares de miles de pares de bases, frente a los aproximadamente 5.400 del sistema utilizado aquí.
Pero la frontera importante ya se ha movido. La inteligencia artificial llevaba años demostrando que podía leer el código de la vida y predecir algunas de sus reglas. Ahora sabemos que también puede escribir suficientes de esas reglas como para que, cuando ese ADN llega a un laboratorio, algo empiece a replicarse.
