En un laboratorio de la Universidad de Stanford, los investigadores observaron cómo se extendían manchas claras por una placa de Petri llena de bacterias: la señal inconfundible de que algo que habían construido íntegramente dentro de una computadora acababa de cobrar vida. Los organismos que estaban eliminando esas bacterias no se extrajeron de la naturaleza. Eran virus diseñados por IA, generados por un modelo computacional llamado Evo y luego construidos químicamente desde cero, y los resultados ahora plantean preguntas que van mucho más allá de un laboratorio en el sótano de Stanford.
Summary
Puntos clave
- Evo, un modelo de IA desarrollado por la Universidad de Stanford y el Instituto Arc, propuso 700.000 posibles genomas virales, de los cuales 285 se sintetizaron químicamente y 16 produjeron virus capaces de replicarse y matar bacterias.
- Evo se entrenó primero con aproximadamente nueve billones de nucleótidos procedentes de millones de animales, plantas, microbios y virus, y luego se especializó en los 11 genes del bacteriófago Phi X-174 y en unos 15.000 genomas relacionados.
- Los virus generados por IA fueron tan robustos como los naturales, y algunos se replicaron más rápido que el propio fago natural Phi X-174.
- Las normas de bioseguridad actuales de los Institutos Nacionales de Salud de EE. UU. (NIH) prohíben experimentos que hagan que los patógenos sean más peligrosos, pero no cubren claramente el diseño de virus puramente computacional a menos que implique una «entidad de preocupación».
- Expertos, incluido Moritz Hanke del Centro para la Seguridad en Salud de Johns Hopkins, advierten de una brecha creciente entre lo que la IA puede hacer ahora y las normas destinadas a controlarla.
El modelo de IA Evo diseña nuevos genomas virales para bacterias
Evo funciona como una versión genética de un modelo de lenguaje grande, prediciendo secuencias de ADN del mismo modo que ChatGPT predice la siguiente palabra en una frase. Sin embargo, en lugar de lenguaje, aprendió los patrones escritos en el código genético de la propia vida. El equipo que está detrás, con sede en Stanford y el Instituto Arc, se propuso comprobar si ese tipo de reconocimiento de patrones podía ir un paso más allá del diseño de proteínas individuales o antibióticos, y llegar a producir realmente un virus funcional.
Cómo se entrenó Evo
La formación del modelo se llevó a cabo en dos etapas. El entrenamiento inicial de Evo se basó en aproximadamente nueve billones de nucleótidos obtenidos de millones de organismos que abarcan los reinos animal, vegetal, microbiano y viral, absorbiendo patrones que se extienden por todo el árbol de la vida. Solo después de esa amplia base siguió una segunda ronda de entrenamiento especializada, esta vez centrada estrechamente en los 11 genes del bacteriófago Phi X-174 y en unos 15.000 de sus parientes más cercanos. Para Samuel King, estudiante de doctorado en Stanford y coautor de la investigación, estructurar el entrenamiento de esta manera parecía el movimiento obvio. «Simplemente se sentía como el siguiente paso obvio», dijo.
De 700.000 candidatos a 16 virus funcionales
Una vez entrenado, Evo propuso 700.000 posibles genomas virales. Los investigadores redujeron ese enorme conjunto a los candidatos más prometedores y mandaron sintetizar químicamente 285 secuencias como ADN, que luego se insertaron en bacterias para ver qué ocurría. Dieciséis de esas secuencias produjeron virus capaces de replicarse y, lo que es crucial, capaces de matar en el proceso a la bacteria objetivo, E. coli. Según se informa, King y sus colegas se dieron cuenta de que los fagos estaban funcionando en las primeras horas de la mañana, al observar cómo se abrían manchas claras en las placas de Petri. «Empezamos a ver estas manchas claras y fue extremadamente emocionante», dijo King. Cuando el resto del equipo vio los resultados, según el profesor asistente de Stanford Brian Hie, «la sala estalló espontáneamente en aplausos».
Cómo se comportaron realmente en el laboratorio los virus diseñados por IA
Los 16 virus que surgieron del experimento no eran curiosidades de laboratorio frágiles. Igualaron el rendimiento de los virus que se dan de forma natural y, en algunos casos, los superaron, un resultado que sorprendió incluso a investigadores que no participaron en el trabajo.
Robustez, velocidad e hitos científicos
Los virus diseñados demostraron ser tan robustos como los naturales, y algunos se replicaron incluso más rápido que el propio Phi X-174. «No son solo versiones enfermizas de cosas que ya existen», dijo Oliver Crook, químico de proteínas de la Universidad de Oxford que no formó parte del estudio. Patrick Cai, biólogo sintético de la Universidad de Mánchester, calificó el trabajo como un «hito importante», y añadió que «la importancia se extiende mucho más allá de los fagos: sugiere que los modelos de lenguaje de genomas están empezando a aprender los principios de diseño codificados por la evolución, abriendo la puerta a la escritura de genomas asistida por IA». Marc Güell, del laboratorio de biología sintética de la Universidad Pompeu Fabra, lo describió como un «punto de inflexión muy significativo» porque, por primera vez, «estamos empezando a diseñar biología en una computadora».
Aun así, Crook fue cuidadoso a la hora de moderar las expectativas. La IA no inventó nada fundamentalmente nuevo: los virus resultantes son muy similares a especies naturales y dependen de la misma biología subyacente en lugar de algún mecanismo novedoso. Sigue siendo una incógnita si Evo podría lograr lo mismo con otras familias de virus. Si el enfoque se generaliza, dijo Crook, podría producir herramientas realmente útiles para la medicina y la biotecnología: «Gran parte de nuestra ciencia se basa en los virus como tecnología». A modo de contexto, el genoma del fago con el que trabajó el equipo tiene unas 5.400 pares de bases, en comparación con aproximadamente 500.000 pares de bases en la célula viva más pequeña y alrededor de tres mil millones en el genoma humano, una diferencia que, según Hie, hace que diseñar un organismo vivo simple sea «probablemente mucho trabajo, pero no imposible», y algo hacia lo que el equipo está «definitivamente interesado en avanzar».
Vacíos de bioseguridad en torno al diseño computacional de virus
Este avance llega en un momento en que la política de bioseguridad de EE. UU. no se ha puesto al día con lo que los modelos de IA pueden generar ahora en una pantalla. Ese desajuste está en el centro del debate en torno a la síntesis de genomas virales guiada por inteligencia artificial.
Qué no cubren las normas de bioseguridad de EE. UU.
A finales de julio, los Institutos Nacionales de Salud presentaron una política sobre investigación en ciencias de la vida de alto riesgo que prohíbe la creación de variantes patógenas más peligrosas. Sin embargo, el trabajo realizado íntegramente mediante métodos computacionales —diseñar ADN viral en una computadora sin construirlo físicamente— no está cubierto «a menos que implique una entidad de preocupación», según la agencia. Esa distinción es fácil de aplicar a algo como la viruela, que está claramente clasificada como peligrosa. Es mucho más confusa cuando el virus en cuestión salió de un modelo de IA en lugar de una lista de patógenos conocidos, que es exactamente el tipo de ambigüedad que ahora da forma a los debates sobre la regulación de bioseguridad con la que la política de IA lucha por mantenerse al día.
Precauciones y advertencias de expertos
El equipo de Stanford y del Instituto Arc no esperó a que los reguladores se pusieran al día. Durante toda su fase de entrenamiento, Evo no estuvo expuesto a ninguna información sobre virus que infectan a humanos ni sobre sus organismos patógenos asociados que afectan a animales, plantas o hongos, lo que significa que el modelo simplemente no puede producir esas secuencias genéticas desde el principio. «Nuestra intención fue simplemente ejercer la máxima precaución», dijo Brian Hie. Moritz Hanke, del Centro para la Seguridad en Salud de Johns Hopkins, calificó esa decisión de «bastante encomiable», especialmente dado que ninguna norma oficial la exigía: «Porque no reciben ninguna orientación de ningún sitio sobre lo que deberían estar haciendo».
Hanke y Thomas Inglesby, también de Johns Hopkins, fueron más allá en un comentario publicado junto con la investigación en la revista Science, advirtiendo de que los hallazgos plantean «urgentes cuestiones de bioseguridad y bioprotección«. El verdadero problema, argumentaron, no es si el diseño generativo de genomas virales existirá en el futuro —claramente ya existe—, sino si puede utilizarse sin «permitir causar daños graves». Hanke expuso la preocupación de forma contundente: «¿Cuál es el riesgo de algo que nunca he visto antes?», preguntó, describiendo «una enorme desconexión» entre la rapidez con la que avanza la ciencia y la lentitud con la que siguen los mecanismos de protección. Su escenario de peor caso es fácil de imaginar: «Podrías decir: ‘Oye, modelo de lenguaje genómico, hazme un genoma de influenza modificado para que sea más transmisible o más letal'».
Por qué esto importa: el mismo atajo computacional que permitió a Evo diseñar 16 bacteriófagos funcionales en cuestión de meses, utilizando nueve billones de nucleótidos de datos de entrenamiento y una ronda de seguimiento dirigida a Phi X-174, es un método de propósito general. Nada en la técnica subyacente la restringe a asesinos de bacterias inofensivos. Ese es precisamente el vacío al que señalan Hanke e Inglesby: un método de investigación que avanza más rápido que la política destinada a contenerlo, en un campo en el que la investigación en biología sintética difumina cada vez más la línea entre diseñar nuevos medicamentos y diseñar nuevos riesgos.
Por ahora, los investigadores afirman que las salvaguardas que aplicaron —excluir datos de virus que infectan a humanos, trabajar solo con bacteriófagos y realizar todo dentro de un laboratorio seguro— contribuyen en gran medida a mantener la tecnología orientada al beneficio y no al daño. Hie sostiene que el enfoque tiene el potencial de «mejorar masivamente la salud humana» mediante nuevos fármacos y terapias, incluidos tratamientos basados en fagos para infecciones resistentes a los antibióticos. Si esa promesa se mantiene fuera de Phi X-174, y si los reguladores actúan antes de que la próxima versión de este experimento tenga como objetivo un blanco menos contenido, son las dos cuestiones que probablemente definirán lo que viene después para los virus diseñados por IA.
Preguntas frecuentes
¿Qué tan efectivos fueron los virus diseñados por IA en las pruebas de laboratorio?
De 285 secuencias de genomas virales sintetizadas, 16 produjeron virus capaces de replicarse y matar bacterias en el laboratorio.
¿Qué datos se utilizaron para entrenar el modelo de IA Evo?
Primero se entrenó a Evo con aproximadamente nueve billones de nucleótidos procedentes de millones de animales, plantas, microbios y virus, y luego específicamente con los 11 genes del fago Phi X-174 y unos 15.000 genomas relacionados.
¿Por qué las políticas de bioseguridad actuales de EE. UU. no regulan los virus diseñados por IA?
Porque el diseño puramente computacional de ADN viral no está cubierto por las políticas actuales de los NIH de EE. UU. a menos que implique una entidad de preocupación, lo que crea un vacío regulatorio para los virus diseñados por IA.
¿Qué precauciones tomaron los científicos durante el entrenamiento de Evo?
Excluyeron datos sobre virus que infectan a humanos y patógenos relacionados, para evitar que la IA generara genomas virales potencialmente dañinos que infecten a humanos.
{«@context»:»https://schema.org»,»@type»:»FAQPage»,»mainEntity»:[{«@type»:»Question»,»name»:»¿Qué tan efectivos fueron los virus diseñados por IA en las pruebas de laboratorio?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»De 285 secuencias de genomas virales sintetizadas, 16 produjeron virus capaces de replicarse y matar bacterias en el laboratorio.»}},{«@type»:»Question»,»name»:»¿Qué datos se utilizaron para entrenar el modelo de IA Evo?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Primero se entrenó a Evo con aproximadamente nueve billones de nucleótidos procedentes de millones de animales, plantas, microbios y virus, y luego específicamente con los 11 genes del fago Phi X-174 y unos 15.000 genomas relacionados.»}},{«@type»:»Question»,»name»:»¿Por qué las políticas de bioseguridad actuales de EE. UU. no regulan los virus diseñados por IA?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Porque el diseño puramente computacional de ADN viral no está cubierto por las políticas actuales de los NIH de EE. UU. a menos que implique una entidad de preocupación, lo que crea un vacío regulatorio para los virus diseñados por IA.»}},{«@type»:»Question»,»name»:»¿Qué precauciones tomaron los científicos durante el entrenamiento de Evo?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Excluyeron datos sobre virus que infectan a humanos y patógenos relacionados, para evitar que la IA generara genomas virales potencialmente dañinos que infecten a humanos.»}}]}
Artículo producido con la ayuda de inteligencia artificial y revisado por el equipo editorial.
