Artículo
Un equipo de Stanford University y Arc Institute mostró que un modelo generativo puede proponer genomas completos de bacteriófagos y que una parte de esos diseños puede convertirse en virus viables. Los bacteriófagos infectan bacterias: el experimento se realizó con fagos basados en ΦX174 y cepas de Escherichia coli, por lo que no demostró la creación de virus capaces de infectar personas.
Los investigadores trabajaron con Evo 1 y Evo 2, modelos de lenguaje entrenados para reconocer y generar secuencias de ADN. En lugar de producir una frase palabra por palabra, estos sistemas completan secuencias genéticas a partir de patrones aprendidos. Para orientar el diseño, el equipo ajustó los modelos con miles de genomas de la familia Microviridae relacionados con ΦX174, un fago pequeño y ampliamente estudiado.
La inteligencia artificial generó un conjunto amplio de candidatos y el laboratorio sintetizó 285 diseños para comprobar si podían propagarse e inhibir el crecimiento de las bacterias correspondientes. Solo 16 resultaron funcionales. Esa tasa de éxito es relevante porque prueba que las secuencias no eran únicamente plausibles en una computadora, pero también marca un límite: la mayoría de las propuestas no produjo un organismo viable.
Los fagos obtenidos no fueron simples copias. Algunos acumulaban cientos de mutaciones respecto del virus de referencia y presentaban arquitecturas genómicas diferentes. En determinadas pruebas, combinaciones de fagos diseñados lograron actuar sobre bacterias que habían desarrollado resistencia. El resultado sugiere que la generación computacional podría ampliar la diversidad disponible para buscar tratamientos más específicos.
La aplicación más prometedora es la terapia con fagos frente a infecciones bacterianas difíciles de tratar. A medida que la resistencia a los antibióticos reduce opciones clínicas, diseñar fagos dirigidos a una cepa concreta podría acelerar la búsqueda de alternativas. Sin embargo, el trabajo es una demostración experimental: no constituye un tratamiento aprobado, no prueba eficacia en pacientes y todavía requiere evaluar seguridad, estabilidad, respuesta inmunitaria y fabricación.
El avance también cambia la discusión sobre investigación y desarrollo. Un modelo genómico puede reducir el espacio de búsqueda y proponer candidatos que luego deben ser sintetizados, ensayados y descartados en un laboratorio. La ventaja no consiste en reemplazar la experimentación biológica, sino en orientar mejor qué secuencias vale la pena probar. El cuello de botella se desplaza hacia la calidad de los datos, la validación experimental y la capacidad de interpretar resultados inesperados.
La contracara es el carácter de doble uso. Las mismas técnicas que facilitan fagos útiles podrían reducir barreras para diseñar secuencias dañinas si se aplicaran a otros virus o si se eliminaran controles. Publicar modelos, datos y métodos favorece la revisión científica, pero también exige sistemas de cribado para pedidos de síntesis de ADN, evaluación de capacidades, límites de acceso y coordinación entre desarrolladores, laboratorios, proveedores y reguladores.
La conclusión empresarial y científica debe ser precisa. La IA no adquirió una capacidad general para crear cualquier virus desde cero: produjo un número limitado de bacteriófagos viables dentro de una familia pequeña, con un modelo orientado por datos específicos y una validación de laboratorio intensiva. Aun con esas restricciones, el experimento establece un precedente importante: el diseño generativo comienza a operar a escala de genoma completo, y su desarrollo deberá avanzar acompañado por controles de bioseguridad tan rigurosos como la innovación que promete habilitar.