La IA evolutiva abre una nueva vía para diseñar terapias génicas y antimicrobianos

La parte más interesante de este trabajo no está solo en usar inteligencia artificial para analizar secuencias, sino en intentar que esos modelos aprendan directamente de patrones evolutivos del ADN y sean capaces de proponer herramientas nuevas con una función biológica concreta. La colaboración entre Basecamp Research y el equipo de César de la Fuente en la Universidad de Pensilvania ha presentado esa idea bajo la familia de modelos EDEN, entrenada con un volumen masivo de datos genómicos recogidos en más de un millón de especies.

Una promesa nueva para la inserción génica

Uno de los problemas más difíciles de resolver en terapia génica es insertar secuencias grandes de ADN en lugares concretos del genoma sin depender de herramientas limitadas a cambios pequeños. Según el preprint y la documentación técnica difundida por la compañía, estos modelos lograron diseñar recombinasas capaces de realizar inserciones dirigidas en localizaciones humanas asociadas a enfermedad y mostrar actividad en miles de sitios relacionados con patología. También se describe integración de ADN terapéutico en células T humanas primarias con actividad antitumoral en ensayos de laboratorio. Son resultados llamativos, pero todavía no equivalen a una tecnología lista para pacientes.

El mismo marco se mueve también contra la resistencia bacteriana

La otra aplicación relevante del trabajo está en los antimicrobianos. El mismo modelo se utilizó para diseñar una biblioteca dirigida de péptidos antimicrobianos, y la propia compañía afirma que un 97 % de los candidatos probados mostró actividad confirmada en laboratorio. En esa parte colaboró el grupo de César de la Fuente, una de las referencias más conocidas en IA aplicada al descubrimiento de antibióticos. La idea de fondo es potente porque sugiere que una misma infraestructura computacional podría servir tanto para reprogramar funciones genéticas como para generar compuestos frente a patógenos multirresistentes.

Lo que vuelve interesante el enfoque

La relevancia de este tipo de modelos no está solo en la potencia de cálculo, sino en el tipo de información del que aprenden. En lugar de limitarse a organismos muy estudiados o a bases convencionales, intentan extraer regularidades biológicas de una diversidad evolutiva muchísimo más amplia. Esa es la apuesta central de EDEN y también la razón por la que algunos investigadores lo presentan como un cambio de escala en biología computacional. Si ese aprendizaje generaliza bien, podría acelerar tareas que hoy siguen siendo lentas, muy experimentales y difíciles de personalizar.

Lo que todavía no significa

Conviene poner un límite claro a la lectura del avance. Esto no es todavía una terapia disponible ni una plataforma validada en práctica clínica. Los datos se han presentado en formato de preprint y a través de materiales corporativos, de modo que aún necesitan revisión externa, validación independiente y ensayos más exigentes. En terapia génica, además, no basta con demostrar que algo inserta ADN donde toca. También hay que probar estabilidad, seguridad, ausencia de efectos fuera de objetivo y viabilidad de fabricación. En antimicrobianos, el salto desde actividad en laboratorio hasta un fármaco útil sigue siendo largo.

Qué cambia de verdad con este tipo de trabajos

Lo que sí cambia es el horizonte del descubrimiento. La combinación de biología evolutiva, modelos fundacionales y diseño molecular empieza a ofrecer una vía más programable para problemas que hasta ahora dependían en gran medida de ensayo y error. Eso no garantiza un éxito clínico próximo, pero sí abre una etapa en la que la IA ya no solo clasifica o predice, sino que empieza a proponer herramientas terapéuticas nuevas con aplicaciones muy distintas. En biomedicina, ese salto conceptual importa mucho, aunque todavía esté lejos del uso asistencial.

 

Información basada en el preprint Designing AI-programmable therapeutics with the EDEN family of foundation models disponible en bioRxiv