¿Puede la IA crear virus? Lo que demostró el estudio de Stanford

Sí, la IA ya puede ayudar a diseñar un genoma viral completo que resulta viable después de que científicos lo sinteticen y prueben en un laboratorio. Un equipo de Stanford University y Arc Institute usó modelos de lenguaje genómico para diseñar bacteriófagos, virus que infectan bacterias. Dieciséis diseños produjeron fagos funcionales contra E. coli. El experimento no creó un virus que infecte a humanos y la IA no trabajó de forma autónoma.

La precisión importa. Fue la primera demostración revisada por pares de que un modelo generativo podía proponer genomas completos de fagos con suficiente coherencia biológica para replicarse. También fue un proceso dirigido por personas, guiado por una plantilla y con fases de filtrado, síntesis y validación. Esa combinación convierte el avance en una oportunidad comercial y en un caso serio de gobernanza de software.

¿Qué demostró el estudio de Stanford sobre IA y virus?

El artículo revisado por pares en Science describe el diseño generativo de genomas viables de bacteriófagos con Evo 1 y Evo 2. Los investigadores usaron el pequeño fago lítico ΦX174 como plantilla, seleccionaron candidatos con análisis computacional, encargaron el ADN y probaron los genomas con cepas de laboratorio no patógenas de E. coli.

Los datos corrigen dos exageraciones. “La IA creó vida de la nada” ignora la plantilla ΦX174, los datos curados y el trabajo humano. “Solo fue una simulación” ignora que los genomas seleccionados se sintetizaron y produjeron fagos capaces de replicarse en el laboratorio.

¿Cómo diseñó un virus un modelo de lenguaje genómico?

Un modelo de lenguaje genómico aprende patrones estadísticos y funcionales del ADN. Se parece de forma aproximada a cómo un modelo de texto aprende lenguaje, pero las restricciones biológicas son más duras: puede haber genes solapados, las regiones reguladoras deben coordinarse, las proteínas deben ensamblarse y el genoma completo debe funcionar dentro de un huésped compatible.

El informe técnico de Arc Institute describe un sistema de varias etapas:

1. Especializar el modelo. Los modelos Evo se ajustaron con un conjunto curado de 14.466 genomas de la familia de fagos Microviridae.
2. Condicionar el diseño. ΦX174 aportó una arquitectura conocida y una restricción de proteína de espícula específica del huésped.
3. Filtrar candidatos. Los controles computacionales evaluaron estructura, genes esperados, especificidad de huésped y distancia respecto a fagos conocidos.
4. Validar en laboratorio. Las personas eligieron diseños para síntesis, los probaron y confirmaron candidatos viables, rango de huésped y aptitud.

Es un ciclo de diseño, construcción y prueba asistido por IA, no un chatbot creando por sí solo un organismo. Para la gobernanza, el riesgo se reparte entre los datos, el acceso al modelo, el ranking, la exportación, el pedido de ADN, la aprobación de laboratorio y la validación experimental.

La investigación original de Evo en Science presentó un modelo genómico fundacional de siete mil millones de parámetros que procesa contextos largos de ADN a resolución de nucleótido. El estudio de fagos da el paso decisivo de conectar la secuencia generada con un genoma completo funcional.

¿Puede esta IA crear un virus que infecte a humanos?

Este experimento no demostró esa capacidad. El equipo excluyó virus que infectan eucariotas del pipeline relevante de entrenamiento y diseño, trabajó con huéspedes bacterianos no patógenos, mantuvo una restricción de reconocimiento del huésped y comprobó el rango de infección. Los 16 resultados viables fueron bacteriófagos, no patógenos humanos.

Es una buena señal sobre este estudio, pero no una garantía universal. Un futuro modelo puede usar otros datos, plantillas, herramientas o controles de acceso. Además, capacidad no equivale a despliegue. Convertir una secuencia en un sistema viable todavía requiere síntesis, conocimientos biológicos, instalaciones adecuadas, materiales, contención e iteración experimental.

La conclusión responsable está entre el pánico y la indiferencia: el experimento no automatizó un patógeno pandémico, pero mostró que los genomas virales completos y funcionales ya están dentro del espacio de diseño asistido por IA. Los controles no pueden empezar solo en la puerta del laboratorio.

Por qué los fagos diseñados con IA pueden ser un negocio

La terapia fágica usa virus que atacan bacterias. Su atractivo comercial es la especificidad: un fago puede atacar una cepa sin comportarse como un antibiótico de amplio espectro. El reto también es específico: las bacterias evolucionan resistencia, los rangos de huésped pueden ser estrechos y encontrar el fago adecuado lleva tiempo.

En los experimentos, combinaciones derivadas de diseños de IA superaron la resistencia a ΦX174 en tres cepas de E. coli evolucionadas en laboratorio. No es un resultado clínico, pero abre varias direcciones:

• Generación de candidatos: explorar más espacio de secuencias viables antes de las costosas pruebas físicas.
• Bibliotecas contra resistencia: mantener opciones diversas cuando las bacterias se adaptan.
• Control agrícola e industrial: abordar problemas bacterianos en cultivos, fermentación o fabricación.
• Herramientas de investigación: generar hipótesis sobre arquitectura genómica, proteínas y evolución.
• Plataformas de descubrimiento: conectar diseño computacional, datos de ensayos y actualizaciones del modelo con decisiones trazables.

El último punto exige buen software. Un modelo biológico es solo una pieza. El producto defendible es el workflow gobernado que lo rodea: procedencia de datos, planificación, permisos, screening, reproducibilidad, revisión y evidencias.

¿Cuáles son los riesgos reales de bioseguridad?

El riesgo inmediato no es que un único modelo publicado produzca de repente un patógeno humano. Es que las capas de diseño, construcción y prueba avancen juntas mientras sus controles sigan fragmentados.

• La novedad puede debilitar pruebas de similitud. Una secuencia generada puede conservar función y parecerse menos a una secuencia de riesgo conocida.
• El acceso puede superar a la supervisión. Pesos del modelo, datos biológicos, síntesis y laboratorios automatizados suelen pertenecer a organizaciones distintas.
• La optimización puede ocultar el objetivo. Una métrica proxy aparentemente inocua puede acercar el sistema a una capacidad peligrosa.
• Los huecos de auditoría se acumulan. Sin unir versión, datos, candidatos y aprobaciones, investigar un incidente se vuelve adivinación.

Un estudio de red team publicado en Science sobre screening de ácidos nucleicos descubrió en 2025 que proteínas de riesgo rediseñadas con IA podían eludir herramientas de detección de aquel momento. Los parches coordinados mejoraron mucho la detección, pero ningún filtro fue perfecto. El screening es una capa necesaria, no todo el caso de seguridad.

La guía de bioseguridad de laboratorio de la OMS recomienda evaluar riesgos según sus consecuencias en materiales, tecnología e información, e incluye IA y ciberseguridad entre los temas emergentes. El threat model debe cubrir servicio de modelo, plataforma de datos, identidad, exportación e integración de laboratorio como un único sistema.

Checklist de arquitectura para IA y biología en producción

1. Definir técnicamente el uso permitido. Organismos, tareas, usuarios y capacidades prohibidas deben estar en controles del producto, no solo en políticas.
2. Escalonar acceso por capacidad. Lectura, predicción, generación, exportación y automatización necesitan derechos y revisiones distintas.
3. Conservar procedencia completa. Registrar versiones de datos y modelos, configuración, finalidad, puntuación, revisores y destino.
4. Filtrar en varias fronteras. Revisar entradas, outputs, exportaciones y pedidos con señales de secuencia, función, identidad del cliente y anomalías.
5. Separar output y ejecución. Los candidatos deben entrar en una cola controlada. Las exportaciones de alta consecuencia requieren aprobación humana independiente y justificación.
6. Hacer red team del workflow completo. Probar solicitudes divididas, intención oculta, cambio de modelo, APIs y bypass de la interfaz. Nuestra guía de red teaming para IA conecta cada hallazgo con un responsable y un retest.
7. Preparar respuesta a incidentes. Revocar acceso, hacer rollback, conservar evidencias, localizar outputs afectados y notificar.
8. Reevaluar proveedores. Un cuestionario de seguridad para proveedores de IA convierte promesas sobre datos, modelos, acceso e incidentes en evidencias y contratos.

El marco estadounidense para screening de síntesis de ácidos nucleicos formaliza expectativas de control para proveedores y clientes en torno a secuencias de interés. La nueva política estadounidense para investigación de alto riesgo en ciencias de la vida añade supervisión federal a la investigación cubierta. Ninguna elimina el deber del equipo de cubrir riesgos entre jurisdicciones, proveedores y capas técnicas.

¿Debe una biotech construir, comprar o pilotar esta capacidad?

Una due diligence técnica de un producto de IA comprueba evidencias sobre precisión, derechos de datos, seguridad y costes. La guía software a medida frente a solución estándar separa la capa que merece ser propia de la infraestructura intercambiable.

Wavect construyó la plataforma de IA en producción de Prompt.ID alrededor de interacciones trazables y un producto completo, no de una demo. En un dominio de mayores consecuencias, la misma disciplina necesita controles más fuertes de acceso, procedencia y aprobación. Un proyecto de desarrollo de productos de IA puede trazar esa arquitectura antes de que las integraciones sean costosas.