Un hito verificado, no un descubrimiento nuevo
El jueves 6 de agosto de 2026, la revista revisada por pares Science publicó un estudio que describe el primer diseño mediante IA generativa de genomas de bacteriófagos completos y funcionales, dirigido por Brian Hie, profesor adjunto en la Stanford University e Innovation Investigator en el Arc Institute. Quien recuerde titulares parecidos del año pasado no se equivoca.
El mismo método de investigación apareció primero como preprint en el servidor bioRxiv en septiembre de 2025, casi un año antes de la publicación de esta semana. Lo que cambia esta semana no es la ciencia subyacente, sino que el trabajo ha superado ahora una revisión formal por pares en una de las dos revistas científicas más prestigiosas del mundo, lo que significa que expertos independientes examinaron los métodos y los resultados antes de la publicación, en vez de depender solo del relato de un único laboratorio.
Cómo Evo 1 y Evo 2 diseñaron genomas vivos
El equipo usó dos modelos de IA de lenguaje genómico, Evo 1 y Evo 2, parte de la serie de modelos Evo del Arc Institute. Ambos ya habían sido entrenados de forma amplia con más de 2 millones de genomas de fagos, y después los investigadores los ajustaron específicamente con 14.466 secuencias de la familia de virus Microviridae.
El objetivo eran bacteriófagos que infectan a Escherichia coli C, una cepa de laboratorio no patógena de uso habitual en biología y sin riesgo para personas ni animales. Como plantilla de referencia, los modelos trabajaron a partir de phiX174, un pequeño fago natural con un genoma de 5.386 nucleótidos que codifica 11 genes y que lleva décadas usándose como organismo modelo en biología.
De miles de diseños a 16 virus funcionales
La IA generó y filtró miles de secuencias genómicas candidatas hasta dejar casi 300 diseños. Los investigadores sintetizaron y ensamblaron físicamente 285 de ellos en el laboratorio, y ensayos de inhibición del crecimiento e infectividad confirmaron que 16 de ellos eran virus plenamente funcionales, es decir, que realmente infectaban y mataban a las bacterias objetivo.
Esos 16 genomas funcionales presentaban entre 67 y 392 mutaciones nuevas respecto a su pariente natural conocido más cercano. Evo-Phi2147 presentó 392 mutaciones y solo un 93,0 por ciento de identidad de secuencia con su pariente natural más próximo, el fago NC51, y trece de los dieciséis genomas funcionales contenían mutaciones ausentes en cualquier secuencia natural conocida. Otro diseño, Evo-Phi36, combinó con éxito una proteína de empaquetado de ADN tomada de un fago más lejano llamado G4, una combinación que antes había derrotado los intentos racionales de ingeniería de científicos humanos; algunos fagos diseñados por IA mataron E. coli tan bien como, o mejor que, el fago natural de referencia phiX174, y las mezclas de fagos diseñados también resultaron eficaces contra cepas de E. coli que ya habían desarrollado resistencia al propio phiX174.
El diseño de seguridad que ya funciona
La decisión de diseño más trascendente es lo que los modelos Evo no pueden hacer: no pueden generar secuencias virales humanas, porque esa categoría de datos se excluyó deliberadamente de su entrenamiento desde el principio. Esa exclusión busca impedir tanto el uso indebido accidental como el intencionado para diseñar patógenos peligrosos para las personas, y en este estudio solo se usaron huéspedes bacterianos no patógenos en todo momento.
Esa distinción importa porque separa dos preguntas diferentes que a menudo se confunden al informar sobre IA y biología: si el propio modelo puede orientarse hacia el peligro, y si el resultado físico de un modelo seguro puede aún así causar daño en algún punto posterior. Aquí, la primera pregunta ya tiene una respuesta estructural incorporada al sistema; en la segunda está la verdadera noticia de esta semana.
La brecha real: quién ejecuta el pedido
En un ensayo Perspective publicado en el mismo número de Science, Thomas Inglesby y Moritz Hanke, del Johns Hopkins Center for Health Security, pidieron un control obligatorio por ley de los pedidos de material genético sintético para detectar secuencias potencialmente peligrosas, en lugar de dejar ese control en manos de la práctica voluntaria del sector. Su argumento no trata de Evo en absoluto, sino de la empresa que recibe un pedido y sintetiza físicamente el ADN, sea cual sea el modelo de IA o el diseñador humano que produjo la secuencia en primer lugar.
Ese es el detalle con el que deberían quedarse los responsables políticos de la UE y el Reino Unido que redactan las disposiciones de riesgo biológico de la AI Act y los controles de exportación de doble uso. Un modelo que se niega a generar secuencias peligrosas es solo una capa de protección, y el ensayo Perspective de esta semana señala la capa que las normas actuales todavía no cubren de forma fiable: el paso de síntesis que convierte cualquier diseño generado por IA, de este laboratorio o de cualquier otro, en un genoma físico real. No afirmamos que exija la ley de la UE o del Reino Unido en este punto en la actualidad, solo que el propio comentario de los investigadores apunta a los reguladores exactamente hacia esta cuestión.
Leer a continuación: Shopify: la IA de búsqueda triplicó pedidos | 4.000 apps en 30 días: la apuesta IA de Cloudflare
