Científicos de Stanford crean virus con ayuda de IA: analizan sus posibles beneficios y riesgos

Científicos de la Universidad de Stanford emplearon inteligencia artificial para crear virus capaces de infectar bacterias, según un estudio publicado en la revista Science. El descubrimiento ofrece nuevas oportunidades en la medicina, aunque también reaviva advertencias sobre el posible uso de estos desarrollos con fines nocivos.

El trabajo, titulado “Diseño generativo de bacteriófagos con modelos de lenguaje genómico”, lleva la firma de Samuel H. King y otros autores, y se apoya en un modelo de inteligencia artificial llamado Evo. Según detallan los autores, la investigación fue más allá de la síntesis tradicional de virus desde cero.

La novedad de este estudio radica en otro punto. En lugar de limitarse a copiar genes virales ya conocidos, el equipo entrenó a la IA para identificar patrones en la estructura del ADN presentes en la naturaleza y, a partir de esa información, producir instrucciones para virus completamente nuevos. Después, los investigadores siguieron esas recetas, construyeron moléculas de ADN y las insertaron en bacterias. Esas bacterias modificadas produjeron virus que nunca se habían observado en la naturaleza y que lograron infectar a otras bacterias, una señal de viabilidad experimental.

Para desarrollar ese sistema, los autores recurrieron a una comparación frecuente: el ADN guarda cierta similitud con un libro. Se trata de una cadena de bloques moleculares, los nucleótidos, ordenados como letras en una línea de texto. Un gen contiene cientos de nucleótidos y se construye con un alfabeto de cuatro letras, A, C, G y T. Esa secuencia codifica instrucciones para la producción de proteínas y otras moléculas.

El estudio parte de otra premisa central: el ADN posee reglas comparables a una gramática. Si una secuencia rompe esas reglas, el resultado es un sinsentido biológico. Los biólogos conocen una parte de esas normas, aunque muchas todavía permanecen sin resolver. A partir de esa incógnita, los investigadores se preguntaron si Evo podía aprenderlas por su cuenta.

En vez de entrenar al modelo con lenguaje humano, lo alimentaron con secuencias genéticas de millones de animales, plantas, microbios y virus. En total, Evo analizó cerca de nueve billones de nucleótidos. A partir de ese volumen, el sistema reconoció patrones comunes a lo largo del árbol de la vida y los usó para generar planos de genes nuevos capaces de codificar proteínas con funciones específicas. Ese resultado llevó al equipo a un objetivo más ambicioso: comprobar si el modelo podía dominar no solo genes aislados, sino un genoma completo.

El experimento se concentró en los bacteriófagos, virus que destruyen bacterias y que desde hace tiempo interesan a la comunidad científica como una posible vía para crear antibióticos alternativos. En ciencia, el sufijo “fago” significa devorar. De ahí surge el nombre de estos virus, que suelen asociarse con la idea de organismos diminutos que “comen” bacterias. Aunque esa descripción no resulta exacta en términos científicos, sí refleja un rasgo clave: su capacidad letal frente a esos microorganismos.

Con esa perspectiva, el ingeniero químico Brian Hie y el estudiante de posgrado en bioingeniería Samuel King eligieron estudiar el bacteriófago ΦX174, pronunciado “FYE-ex-1-7-4”. Hie, profesor asistente de ingeniería química y becario de la Fundación Dieter Schwarz en Ciencia de Datos de Stanford, desarrolló Evo 2, una versión generativa del modelo orientada a resolver problemas biológicos complejos mediante la sugerencia de nuevas secuencias de ADN.

A partir de un fragmento mínimo del ADN de ΦX174, Evo 2 podía redactar genomas de fagos dirigidos contra E. coli, una bacteria que puede resultar mortal cuando las infecciones se agravan. El desafío no era menor. El genoma completo de ΦX174 tiene menos de 6.000 pares de bases, y se lo describe en el estudio como una secuencia de 5.400 caracteres. Aunque se trata de una estructura simple frente a los 3.000 millones de pares de bases del genoma humano, esa relativa brevedad no elimina la dificultad de interpretar el material gen por gen.

Hasta hace poco, Evo 2 se movía sobre todo en el terreno informático. El nuevo artículo trasladó ese trabajo al laboratorio. Basados en genomas escritos por el modelo, los investigadores sintetizaron y ensayaron cerca de 300 fagos para medir su eficacia contra E. coli. Después, redujeron la selección a 16 fagos que mostraron un rendimiento excepcional.

Hie describió el proceso con una definición directa: “En este caso, queríamos que el modelo generara el genoma completo de principio a fin en una sola pasada de izquierda a derecha. No añadimos nada”, explicó. El investigador añadió que el sistema produjo miles de opciones para el equipo y que, “en las pruebas de laboratorio, algunas de las sugerencias de Evo mostraron una mayor aptitud que el fago nativo ΦX174”.

Ese rendimiento adquiere relevancia por un problema conocido en medicina: la resistencia bacteriana. Hie y King eligieron ΦX174 no solo por la simplicidad relativa de su genoma, sino también porque el desarrollo de varios fagos distintos contra una misma bacteria puede ofrecer una salida frente a la pérdida de eficacia de los antibióticos y de los tratamientos basados en un único virus.

Hie lo resumió de este modo: “Si las bacterias desarrollan resistencia a un solo fago, el medicamento queda inutilizado”. Luego planteó la alternativa que impulsa esta línea de trabajo: “Pero si se tienen varios fagos genéticamente distintos en una mezcla, sería más difícil que las bacterias desarrollaran resistencia a todo el cóctel”.

La hipótesis que surge de ese planteo es concreta. El trabajo podría conducir a antibióticos resistentes a la resistencia, a partir de combinaciones de bacteriófagos genéticamente diversos que actúen en conjunto frente a la inmunidad microbiana. El mismo enfoque podría extenderse al desarrollo de fagos capaces de atacar otras bacterias dañinas, entre ellas la tuberculosis, el Staphylococcus aureus resistente a la meticilina (SARM) y la Pseudomonas aeruginosa, una de las principales causas de infecciones hospitalarias resistentes a medicamentos.

Como prueba de concepto, el equipo presentó un resultado específico sobre E. coli. “Tenemos una prueba de concepto en el artículo, donde mostramos que este cóctel de 16 fagos supera rápidamente la resistencia en E. coli que es inmune al fago ΦX174 nativo”, afirmó Hie.

El trabajo experimental también requirió resolver limitaciones técnicas y económicas. Diseñar genomas completos, armarlos nucleótido por nucleótido y transferirlos luego a bacterias demanda recursos y precisión. Samuel H. King, primer autor del estudio, encabezó esa parte del proyecto y desarrolló un marco computacional para evaluar miles de genomas potenciales y filtrar la lista hasta quedarse con los candidatos más prometedores.

King explicó el procedimiento de esta manera: “Una de las partes principales del marco de diseño consistió en determinar qué características debían tener los genomas basándose en ΦX174 y fagos relacionados”. Luego precisó la secuencia de trabajo: “El marco implicó varios pasos clave: generar genomas utilizando Evo 2, evaluar las opciones según los criterios de diseño, seleccionar los candidatos óptimos, sintetizarlos químicamente y luego probarlos en el laboratorio para ver qué genomas funcionaban mejor”.

Hie subrayó el factor económico detrás de esa selección. “Dado que el coste de la síntesis de ADN sigue siendo bastante elevado”, dijo, “el marco de trabajo de Samuel nos ayudó a centrarnos únicamente en las alternativas más viables”.

El alcance del proyecto abrió, además, una discusión sobre acceso y seguridad. Debido a su potencial en ciencias médicas y biológicas, los investigadores pusieron Evo 2 a disposición del público de forma abierta y gratuita. Cualquier persona puede descargar el software y usarlo para diseñar genomas nuevos.

Esa decisión alimentó debates regulatorios y de bioseguridad. Hie sostiene que la disponibilidad abierta acelera la investigación y permite obtener resultados aplicables en el mundo real. Reconoce al mismo tiempo que versiones modificadas de la herramienta podrían caer en manos malintencionadas. Su argumento apunta a otro riesgo: los patógenos naturales ya existentes representan una amenaza mayor porque son más fáciles de obtener y producir, y porque en la evolución natural no existen controles de seguridad incorporados. Según esa posición, sistemas con IA como Evo 2 pueden ofrecer ventajas para responder a pandemias naturales y para mejorar las defensas ante amenazas biológicas creadas por seres humanos.

En la etapa siguiente, Hie trabaja con otros investigadores de Stanford y de otras instituciones para ampliar el alcance de Evo 2, mientras continúa su propia línea de investigación sobre nuevos bacteriófagos. También estudia fragmentos de ADN más largos y complejos, con la posibilidad de avanzar incluso sobre pequeños genomas bacterianos que podrían dar lugar a microbios modificados genéticamente capaces de producir sustancias químicas útiles, medicamentos y combustibles.

Al proyectar ese horizonte, Hie señaló cuáles son sus preguntas de fondo: “Las preguntas más importantes que me planteo son cómo lograr una mayor novedad genética y cómo conseguir un mayor control de los resultados”.

King, por su parte, puso el foco en la capacidad de exploración que habilita la herramienta. “Una de las partes más gratificantes de este proyecto es la creatividad que permite Evo 2”, afirmó. Después agregó: “Se han abierto nuevas puertas en la ciencia gracias a lo que podemos hacer con estos modelos”.

Fuera del equipo autor, el estudio recibió comentarios de Simon Clarke, profesor asociado de microbiología celular de la Universidad de Reading, quien no participó en la investigación. Clarke sostuvo: “En esta importantísima publicación, respaldada por datos de excelente calidad, investigadores de la Universidad de Stanford utilizaron modelos de IA para diseñar nuevas variantes de phiX174, un virus que infecta a la bacteria E. coli y que se denomina bacteriófago. Los modelos generaron cientos de genomas sintéticos distintos de cualquier secuencia encontrada en la naturaleza”.

Clarke añadió otra evaluación sobre los resultados del laboratorio: “Tras sintetizar este material genético en el laboratorio, los experimentos confirmaron que 16 de los fagos diseñados mediante IA infectaron con éxito a E. coli, mostrando distintos niveles de aptitud; tres variantes incluso superaron a la cepa parental original”. En la misma declaración, consideró que varios de esos virus sintéticos vencieron la resistencia bacteriana natural a phiX174, lo que, a su juicio, respalda la propuesta de los autores sobre el posible impulso de la terapia con fagos frente a infecciones resistentes a antibióticos.

En su análisis, Clarke también subrayó el costado ético del avance. “Si bien los autores demostraron previamente que la exclusión de conjuntos de datos puede impedir que los modelos de IA generen patógenos humanos, este estudio prueba que la IA puede crear virus viables no naturales”, dijo. Luego agregó que, aunque hasta ahora no existe trabajo que use este método para generar patógenos humanos, “esta capacidad plantea importantes cuestiones éticas, ya que confirma que la tecnología para generar virus más aptos ya existe y puede utilizarse de forma más eficiente que antes”.

Su advertencia final apuntó a la regulación y a la seguridad. “Como destacan los autores, esto plantea serias preocupaciones regulatorias y de seguridad, por decir lo menos”, afirmó Clarke. Enseguida agregó que, aunque este tipo de investigación suele estar estrictamente regulada, resulta alentador que los autores hayan mostrado prudencia al establecer medidas de seguridad, aunque no existe garantía de que todos los científicos que intenten algo similar actúen con el mismo nivel de resguardo.