Una IA encontró algo nuevo dentro de un virus: los científicos lo tuvieron delante 5 años y no lo vieron

El miércoles 23 de septiembre, Anthropic anunció que Claude, su modelo de inteligencia artificial, identificó un sistema de enzimas desconocido en el ADN de bacteriófagos, los virus que infectan bacterias. Junto al gen de la enzima hay una hilera de secuencias repetidas que recuerda a CRISPR, la herramienta que hoy sostiene la edición genética en medicina.

Nadie sabe todavía qué hace. La compañía lo bautizó ART, por transcriptasas inversas asociadas a arreglos: enzimas que copian ARN en ADN, acompañadas de un gen socio y de esa fila de repeticiones. Solo un puñado de sistemas conocidos reúne esos tres rasgos, y todos cortan, copian o pegan ADN.

La tentación es leerlo como fuerza bruta. Es un error: el cuello de botella de la biología ya no es el dato, es quién lo mira.

Los números invitan a la lectura equivocada. Según la versión previa del estudio, publicada sin revisión de pares, 949 sesiones de agentes trabajaron 21,5 horas sin intervención humana, consumieron 215,6 millones de tokens (las unidades de texto que procesa un modelo) y recorrieron 1.940 millones de grupos de proteínas.

El sistema estaba en un genoma publicado hace cinco años

El genoma del fago MarsHill, aislado en criaderos de cerdos de Estados Unidos, se publicó en septiembre de 2021 en Journal of Virology, con la firma de Abby Korn, Jason Gill y otros dos autores. Según el estudio de Anthropic, ese trabajo identificó la enzima y propuso un ARN asociado, pero no describió las repeticiones ni el gen socio.

Otros laboratorios estudiaron fagos de la misma familia en 2022 y 2023. Un trabajo de 2023 sobre el fago DC4 anotó que todos los fagos gigantes de estafilococo analizados codifican una transcriptasa inversa. La enzima estaba catalogada. La fila de repeticiones que la acompaña, no. Hagan la cuenta: cinco años a la vista.

Claude la encontró leyendo el ADN crudo, sin programas que las marcaran. El registro de la sesión conserva la reacción del agente, traducida del inglés: “Puedo ver a simple vista” un arreglo de repeticiones en tándem. Después contó las copias, midió la distancia entre ellas y buscó en la literatura científica antes de enviar el informe a los investigadores.

La máquina encuentra cuando lee, no cuando delega

El estudio trae una prueba que sostiene esa idea. Anthropic les pidió a siete de sus modelos que describieran el sistema a partir de las mismas secuencias. Con el ADN pegado en la consulta, los cuatro más capaces detectaron las repeticiones en al menos el 90% de los intentos.

Con los mismos datos en archivos y un arsenal de herramientas de análisis, la detección llegó a caer al 32% en uno de ellos. En el 39% de esos intentos, el modelo nunca leyó un tramo de ADN lo bastante largo para ver más de una repetición.

Más herramientas no significaron más atención. Significaron menos.

La compañía tiene un hallazgo, no una receta

Feng Zhang, uno de los pioneros de CRISPR y profesor del MIT y del Broad Institute, el centro de investigación genómica que esa universidad comparte con Harvard, leyó el borrador antes de su publicación. Calificó la identificación de esos arreglos como “genuinamente intrigante” y dijo que merece más investigación.

Esta misma semana, un equipo con investigadores de Stanford publicó en bioRxiv, el repositorio de estudios de biología sin revisión de pares, arreglos parecidos junto a otra familia de enzimas, hallados con un modelo entrenado solo con ADN. La naturaleza inventó esta arquitectura más de una vez, y dos grupos la vieron casi al mismo tiempo.

Dario Amodei, director ejecutivo de Anthropic, escribió en X que se trata, como mínimo, de un trabajo del que habría estado orgulloso como estudiante de doctorado.

A mi lectura, la frase tiene contexto: la compañía montó un laboratorio propio en el área de la Bahía de San Francisco y necesita demostrar que su modelo sirve para hacer ciencia, no solo para programar.

Hay dos datos que esa demostración no resuelve. Anthropic repitió la búsqueda diez veces más, con el mismo sistema y las mismas instrucciones, y ninguna corrida encontró las repeticiones. El propio estudio admite que no probó que la enzima esté activa ni qué hace el sistema para el virus.

Los genomas se acumulan más rápido de lo que cualquier laboratorio puede leerlos. El que tenga más mirada por hora va a firmar los próximos descubrimientos, sepa o no para qué sirven.