Dieciséis bacteriófagos diseñados por un modelo generativo infectaron y mataron E. coli. La noticia se ha contado como si el peligro fuera la máquina que escribe genomas. No lo es. El peligro es que la cerradura que nos protegía estaba en otra puerta, y lleva años reconociendo caras.
Dieciséis manchas en una placa de Petri
El 6 de agosto de 2026, la revista Science publicó «Generative design of bacteriophages with genome language models», firmado por Samuel King, Brian Hie y su equipo del Arc Institute y Stanford. El titular que circuló fue este: la inteligencia artificial ha creado virus vivos por primera vez.
Es cierto. Y como casi todo lo cierto, está mal contado.
Lo que hay debajo del titular es un embudo. El equipo usó Evo 1 y Evo 2, dos modelos de lenguaje genómico —lo mismo que un LLM, pero entrenado con ADN en lugar de con texto—, y les pidió que escribieran genomas completos de un tirón. No un gen. No una proteína. El genoma entero, de principio a fin.
Salieron miles de diseños. (Aquí un apunte de higiene: buena parte de la cobertura habla de unos 700.000 genomas generados; el paper y el preprint se quedan en «miles». Me quedo con lo que dice la fuente primaria.) De ahí, un marco computacional de filtrado dejó 302 candidatos. La síntesis química funcionó en 285. Y al soltarlos sobre cultivos de E. coli, 16 produjeron esa cosa tan poco espectacular y tan definitiva que es una mancha transparente en una placa: bacterias muertas. Un 5,6% de tasa de éxito sobre lo sintetizado. Y tres de ellos —Evo-Φ69, Evo-Φ100 y Evo-Φ111— terminaron por delante del fago original en experimentos de competición directa.
El modelo no partía de cero absoluto. Le dieron como semilla fragmentos conservados de ΦX174, un bacteriófago diminuto de unos 5.400 nucleótidos de ADN de una sola hebra que solo sabe hacer una cosa: entrar en E. coli y reventarla desde dentro. Y luego afinaron los modelos con unos 15.000 genomas de la familia Microviridae para subir la puntería.
Que eligieran ΦX174 no es casualidad ni marketing. Es el virus más manoseado de la historia de la biología. Fue el primer genoma de ADN secuenciado por completo, por Frederick Sanger en 1977. Y en 2003 el equipo de Craig Venter y Hamilton Smith lo reconstruyó entero a partir de oligonucleótidos sintéticos en catorce días. Cuando quieres demostrar que una técnica nueva funciona, la pruebas sobre el terreno mejor cartografiado que tengas. Es buena ciencia.
El contrapunto del 97%
Aquí conviene bajar el volumen, porque hay una lectura escéptica que se sostiene bien.
Oliver Crook, bioquímico computacional de Oxford, midió por su cuenta cuánto se parecían esos 16 fagos a su plantilla. Resultado: un 97% de identidad media con ΦX174. Su frase es buena: «lo que vimos, en una vista muy simple, eran hermanos y hermanas del virus original. No se comportan de una forma fundamentalmente nueva». Caían dentro de la dispersión de diversidad que ya existe entre fagos naturales.
En la misma línea, Jordi García Ojalvo (Pompeu Fabra) señala la baja eficiencia del proceso: de miles de genomas generados salen 16 fagos viables. Heather Hendrickson (Universidad de Canterbury) añade lo más incómodo: «una IA puede fabricar un genoma que produce una versión aceptable de un fago, pero esa máquina hace un trabajo pésimo contándonos qué aprendió». Y Simon Jackson (Waikato) lo resume sin florituras: funcionó alrededor del 5% de los diseños, esto es una prueba de concepto temprana. Dato que a mí me encanta y que Jackson señala: la mitad de los fagos funcionales habían acumulado mutaciones, o sea que la evolución natural echó una mano puliendo los diseños de la IA.
El equipo de Stanford tiene su réplica, y también se sostiene. King argumenta que la identidad de secuencia no cuenta la película entera: varios de los diseños diferían en estructura tridimensional de proteínas, en cinética de crecimiento y en dinámica de infección. Y hay un detalle que me parece el más interesante de todo el paper: uno de los fagos, el Evo-Φ36, cambió el gen J —el que empaqueta el genoma y sujeta la cápside— por el homólogo del fago G4, evolutivamente lejano. Ese intercambio concreto se había intentado antes y se sabía que no era viable. Aquí lo fue. El modelo vio una compatibilidad dependiente del contexto que nosotros no habíamos visto.
Mi lectura honesta: no ha nacido vida de la nada. Ha nacido algo más modesto y más importante. Un sistema que sabe navegar el espacio de genomas viables con criterio propio, y que acierta lo bastante como para que el laboratorio confirme. Como dice Víctor de Lorenzo (CSIC), la evolución natural ha explorado solo una fracción minúscula del espacio funcional posible. Ahora hay una máquina que muestrea ese espacio sin esperar a que pase una generación.
Por qué esto no va de virus, va de cuellos de botella
Y aquí es donde quiero llevar el artículo.
En ecología, un cuello de botella es el momento en que una población se estrangula: un evento reduce el número de individuos y, con él, toda la variabilidad que había. Lo que sobrevive no es lo mejor, es lo que estaba del lado bueno del embudo. La forma de la especie durante los siguientes mil años la decide ese estrangulamiento, no el talento de nadie.
La bioseguridad funciona igual. Nunca nos ha protegido el secreto. Nos ha protegido una cadena de estrangulamientos, y solo hace falta que uno aguante:
- Saber qué escribir. La secuencia que hace daño.
- Conseguir que alguien te lo fabrique. El ADN sintético no sale de un cajón.
- Ensamblarlo y arrancarlo. Meter esa molécula en una célula y que la cosa despierte.
- La habilidad tácita. Manos, cultivos, contaminaciones, el 90% que no está escrito en ningún protocolo.
Durante décadas, el estrangulamiento real fue el primero. Escribir un genoma que funcione era carísimo en conocimiento experto. Y ahí está la noticia de agosto: ese eslabón acaba de aflojarse. No ha desaparecido —el 5,6% de éxito demuestra que sigue habiendo fricción—, pero se ha aflojado, y los pesos de Evo 2 están publicados y descargables por cualquiera.
Cuando un cuello de botella se afloja, la pregunta correcta no es «qué miedo, la máquina escribe». Es: ¿cuál es ahora el eslabón más corto? Porque el barril rinde lo que su duela más baja, siempre.
La respuesta es el eslabón dos. El cribado de la síntesis de ADN. Es el único punto de toda la cadena donde alguien, en algún sitio, mira lo que le has pedido antes de fabricártelo.
Y ese cerrojo tiene un problema de diseño precioso.
Un sistema inmune que solo reconoce caras conocidas
Así funciona el cribado hoy: cuando pides una secuencia a un proveedor comercial, un software la compara contra bases de datos de patógenos y toxinas conocidos. Si se parece lo suficiente a algo peligroso, salta. Es cribado por homología: reconocimiento de parecido.
Si esto te suena a algo, es porque es exactamente nuestra inmunidad innata. Nuestras primeras defensas no entienden de intenciones; reconocen patrones moleculares que llevan grabados de fábrica. Funcionan de maravilla contra lo que llevan cien millones de años viendo, y son ciegas ante lo que no se parece a nada del catálogo.
El 2 de octubre de 2025, un consorcio liderado desde Microsoft Research —primer autor Bruce Wittmann, Eric Horvitz como autor sénior, con Twist Bioscience, IBBIS, Battelle y la Universidad de Birmingham dentro— publicó en Science exactamente esa ceguera. Usaron herramientas de diseño generativo de proteínas para rediseñar toxinas conocidas: misma función tóxica, secuencia distinta. Y las pasaron por los sistemas de cribado. Muchas pasaron. Lo llamaron, con toda la intención, un «zero-day» biológico: una vulnerabilidad desconocida en la infraestructura de seguridad, del mismo tipo que las que aparecen en software.
Se comportaron como buenos investigadores de seguridad. Avisaron al gobierno de EE. UU. y a los fabricantes antes de publicar, se repartieron parches, no liberaron el código completo ni identificaron las toxinas. Pero la propia nota reconoce lo esencial: incluso después del parche, algunas variantes siguen escapando a la detección.
Ahí lo tienes, en una frase. La llave ha cambiado de forma y el cerrojo sigue mirando la cara.
Y aún hay dos agujeros más en la misma pared. El primero: el cribado ha sido, durante casi todo este tiempo, voluntario. El marco de la OSTP para el cribado de síntesis de ácidos nucleicos (abril de 2024) obliga de facto solo a quien depende de financiación federal estadounidense; el resto se apoya en el buen hacer del Consorcio Internacional de Síntesis de Genes, que es un club, no una ley. Y una orden ejecutiva de mayo de 2025 dejó ese marco en revisión, pendiente de ser reemplazado. El segundo agujero, más nuevo: los sintetizadores de sobremesa. Máquinas que fabrican ADN en tu propio laboratorio, sin pedido, sin proveedor y sin nadie mirando. La regulación las controla en el punto de venta y las pierde de vista después.
La ley llega, y llega mirando al sitio equivocado
Justo es decir que la gobernanza se ha movido. En 2026 pasaron dos cosas serias.
Una: el 4 de junio, Sam Altman (OpenAI), Dario Amodei (Anthropic), Demis Hassabis (Google DeepMind) y Mustafa Suleyman (Microsoft AI) —gente que no suele firmar nada junta— publicaron una carta abierta pidiendo al Congreso de EE. UU. que haga obligatorio el cribado del ADN sintético y el registro documental de los pedidos. Cuando cuatro competidores piden que les regulen el sustrato, conviene escuchar.
Dos: existe un proyecto de ley, la Biosecurity Modernization and Innovation Act of 2026 (S.3741), presentada el 29 de enero de 2026 por Tom Cotton con Amy Klobuchar. Hace cosas razonables: convierte el cribado en obligatorio para los proveedores cubiertos y desplaza a las guías voluntarias, mete a los fabricantes de sintetizadores de sobremesa en la definición, contempla un mecanismo para detectar pedidos partidos entre varios proveedores y pone multas civiles de hasta 500.000 dólares a personas y 750.000 a organizaciones.
Y aun así, el análisis crítico del texto señala el punto exacto que importa: la ley obliga a cribar, pero no cambia cómo se criba. Sigue siendo homología. Sigue siendo reconocer caras. La vulnerabilidad que Microsoft demostró en 2025 queda intacta, con sello oficial y multa por no aplicarla. Además, la detección de pedidos partidos está redactada como «podrá» y no como «deberá», que en un texto legal es la diferencia entre un mecanismo y una intención.
Esto es lo que quería contarte con lo del cuello de botella. Estamos poniendo un cerrojo nuevo, más caro y mejor documentado, en la puerta que ya sabíamos abrir.
El lado luminoso, que es enorme y no es un consuelo
Nada de lo anterior invalida el motivo por el que este trabajo se hizo.
La resistencia a los antibióticos mata. El análisis global del proyecto GRAM publicado en The Lancet en septiembre de 2024 estima más de 39 millones de muertes directamente atribuibles a infecciones resistentes entre 2025 y 2050, y contabiliza más de un millón de muertes cada año entre 1990 y 2021. No es un futurible. Es la línea base.
La terapia con fagos lleva un siglo esperando su momento. Su gran problema práctico siempre fue el mismo que el de los antibióticos: la bacteria aprende. Y aquí está el resultado que de verdad importa del paper de Stanford, más allá del titular: un cóctel de fagos generados superó la resistencia en tres cepas de E. coli en entre uno y cinco pases, mientras que ΦX174 en solitario fracasaba por completo. Hie lo dice claro: «si las bacterias ganan resistencia a un solo fago, se acabó el medicamento». La gracia no es diseñar un virus. Es poder diseñar cien y rotarlos más rápido de lo que la bacteria se adapta.
Y el equipo hizo los deberes de seguridad, hay que reconocerlo: excluyeron del entrenamiento los virus que infectan a humanos y animales, trabajaron con un fago que solo ataca a E. coli, y siguieron un protocolo estricto que Juli Peretó (Universitat de València) valora explícitamente. Hie defiende además que un diseño por IA es menos arriesgado que un patógeno natural, porque en el proceso de diseño puedes integrar controles de seguridad, y a la evolución no le puedes pedir eso.
Todo eso es verdad. Y aun así, Simon Clarke (Reading) pone el dedo donde duele: no hay ninguna garantía de que todos los que intenten algo parecido vayan a ser igual de cuidadosos.
El fondo que no me quito de encima
Te dejo con la asimetría, que es la parte distópica y no me apetece maquillarla.
La defensa tiene que funcionar todas las veces. El ataque, una. En seguridad informática eso lo asumimos hace décadas y por eso montamos defensa en profundidad, divulgación coordinada y parches. En bioseguridad tenemos una capa —el cribado por homología—, es voluntaria en medio mundo, se demostró evadible hace menos de un año y la ley que viene a arreglarla no toca la evasión.
Lo formularía así: la capacidad de componer genomas virales con IA generativa ya existe; la gobernanza para dirigirla con seguridad, todavía no.
Y no hay marcha atrás por la vía de cerrar el conocimiento. Evo 2 está descargado en miles de discos duros. Ese debate está terminado, tenga uno la opinión que tenga sobre los pesos abiertos. Lo que sí queda abierto es lo otro, que además es lo barato:
- Cribar por función, no por parecido. Predecir qué hace una secuencia, no a qué se parece. Es un problema de IA, y da la casualidad de que tenemos IA.
- Obligatorio y global. Un cerrojo que solo se pone en un país es una lista de direcciones donde no hay cerrojo.
- Los sintetizadores de sobremesa, con el cribado dentro de la máquina. Si el aparato imprime ADN en tu mesa, la comprobación tiene que vivir en el firmware, no en el pedido.
- Cambiar «podrá» por «deberá» en la detección de pedidos partidos. Cuesta una palabra.
Cuatro cosas. Ninguna requiere un modelo mejor. Todas requieren decidir quién responde.
Y esa es, casi siempre, la parte que no se automatiza.
Ideas por encima de código; evidencia por encima de humo.
Deja una respuesta