La biología es el fundamento de la medicina, la farmacia, la salud pública y la investigación sobre la longevidad. También es, por naturaleza, extraordinariamente difícil de abordar. Los sistemas vivos son complejos, los experimentos son costosos y las intervenciones entrañan riesgos reales. Una perspectiva publicada en Nature Medicine propone una forma de cambiar esa ecuación: construir un organismo digital impulsado por IA, un sistema computacional capaz de modelar y simular la biología a cualquier escala, desde moléculas individuales hasta seres humanos completos.
Esto no es el anuncio de un producto. Es una visión de investigación, y comprender lo que propone, y por qué importa, requiere apartarse del titular.
La biología es demasiado compleja como para manipularla libremente
El problema central que identifican los autores es directo. En el mundo físico, los sistemas biológicos se resisten a una manipulación sencilla. Realizar experimentos en células, tejidos u organismos vivos requiere tiempo y dinero, y conlleva limitaciones éticas y de seguridad. Esto limita la velocidad con la que los investigadores pueden probar hipótesis, explorar candidatos a fármacos o comprender los mecanismos de las enfermedades.
La solución propuesta es un concepto llamado organismo digital impulsado por IA, o AIDO (por sus siglas en inglés). La idea es construir un sistema de foundation models integrados y multiescala —arquitecturas de IA entrenadas con datos biológicos en diferentes niveles de organización— y conectarlos de manera modular y holística que refleje cómo funciona realmente la biología. Las moléculas interactúan con las células. Las células forman tejidos. Los tejidos componen a los individuos. Un AIDO modelaría todas estas capas y, de manera crucial, modelaría cómo se conectan.
La visión es una plataforma que sea segura, asequible y capaz de realizar simulaciones de alto rendimiento. Los investigadores podrían ejecutar miles de experimentos virtuales que serían poco prácticos o imposibles en un laboratorio húmedo, y luego usar esos resultados para guiar los experimentos físicos que realmente se llevan a cabo.
Foundation Models aplicados a la propia vida
La columna vertebral técnica de esta visión se basa en una clase de arquitectura de IA que ya ha transformado el procesamiento del lenguaje natural y la visión artificial: los foundation models. Se trata de modelos grandes preentrenados con vastos conjuntos de datos, capaces de adaptarse a muchas tareas posteriores. Los autores señalan una serie de trabajos existentes que aplican este enfoque a los datos biológicos.
Ya existen varios modelos para dominios biológicos específicos. Herramientas como Nucleotide Transformer y HyenaDNA abordan las secuencias genómicas. Evo amplía el modelado de secuencias desde la escala molecular hasta la del genoma. En el ámbito de las proteínas, AlphaFold y AlphaFold 3, desarrollados por investigadores de DeepMind y publicados en Nature, han demostrado una predicción altamente precisa de estructuras proteicas e interacciones biomoleculares. Se han desarrollado modelos como xTrimoPGLM, un transformer de 100 mil millones de parámetros, específicamente para decodificar el lenguaje de las proteínas. A nivel celular, herramientas como scGPT y scLong se centran en la transcriptómica unicelular, y scLong se describe como un modelo de mil millones de parámetros diseñado para capturar el contexto génico a largo plazo.
Lo que propone la visión del AIDO no es construir un modelo especializado más, sino integrar estas capas en un sistema coherente y conectado. Los autores describen esto como modular y conectable, lo que significa que los componentes individuales se pueden desarrollar y mejorar de forma independiente, pero están diseñados para comunicarse entre sí. Esto refleja una idea clave: la biología no opera en capas aisladas, y una simulación útil de la biología tampoco puede hacerlo.
El grupo de investigación detrás de esta perspectiva está afiliado a GenBio AI, con sede en Palo Alto, e incluye a los investigadores Le Song, Eran Segal y Eric Xing.
Lo que significaría simular un sistema vivo
Esto es lo que la mayor parte de la cobertura sobre la IA en la biología pasa por alto. La ambición aquí no es automatizar los experimentos existentes. Es crear un tipo completamente nuevo de instrumento científico, uno que opera in silico en lugar de en un laboratorio, y que puede ser consultado, programado y explorado de formas que la biología física no permite.
Los autores describen el AIDO como una plataforma para predecir, simular y programar la biología. Esa última palabra es significativa. Programar implica no solo comprender un sistema, sino poder especificar los comportamientos deseados y trabajar en retroceso para encontrar las intervenciones que los producirían. En el descubrimiento de fármacos, eso podría significar diseñar moléculas con propiedades objetivo. En medicina, podría significar modelar cómo la biología de un paciente específico podría responder a un tratamiento antes de que este sea administrado.
Los autores tienen cuidado de enmarcar esto como algo complementario a la experimentación física, no como un reemplazo de esta. La visión es que un AIDO desencadene un trabajo de laboratorio húmedo mejor guiado y un razonamiento mejor informado a partir de primeros principios. Los investigadores utilizarían el sistema digital para reducir el espacio de posibilidades y luego probarían los candidatos más prometedores en el mundo real.
Esto importa más allá del laboratorio. Si la simulación biológica se vuelve fiable y accesible, cambia la economía del desarrollo de fármacos, la velocidad de la respuesta de salud pública y la profundidad de comprensión que los investigadores pueden aportar a las enfermedades complejos.
En resumen
Un organismo digital impulsado por IA es un sistema propuesto de modelos de IA interconectados, cada uno entrenado en una capa diferente de datos biológicos, diseñado para simular la vida desde las moléculas hasta individuos enteros. El objetivo no es reemplazar la biología física, sino crear una plataforma computacional donde las hipótesis puedan probarse de forma segura, económica y a escala, haciendo que los experimentos físicos estén más enfocados y tengan más probabilidades de éxito. Los bloques de construcción —foundation models para la genómica, las proteínas y las células individuales— ya existen. El desafío ahora es la integración.
Basado en información de Nature: Machine Learning.