Google, Meta y el Chan Zuckerberg Biohub han anunciado una inversión conjunta que supera los 1.800 millones de dólares (≈ 1.692 millones de euros) para desarrollar un modelo de inteligencia artificial capaz de simular el comportamiento de cualquier célula biológica. El objetivo es crear la primera «célula virtual» completa: un sistema que permita replicar cualquier experimento biológico in silico antes de llevarlo a un laboratorio. Lo publica Axios el 7 de octubre de 2026 con fuentes directas del proyecto.
La arquitectura financiera del proyecto reparte el riesgo de una forma que merece atención: el Departamento de Energía estadounidense ha comprometido más de 500 millones de dólares, los Institutos Nacionales de Salud (NIH) habían aportado una cifra similar en rondas anteriores de investigación básica, y la coalición privada —que incluye a Google DeepMind, Isomorphic Labs y Meta— suma aproximadamente 300 millones adicionales. El propio Biohub, como organización sin ánimo de lucro del Chan Zuckerberg Initiative, ha puesto sobre la mesa otros 500 millones en infraestructura y coordinación científica.
La apuesta técnica la lidera Alex Rives, el biólogo computacional de Meta que desarrolló ESMFold, el sistema que predice estructuras proteicas como alternativa a AlphaFold. Zuckerberg ha respaldado públicamente el proyecto en X.
¿Qué es exactamente una célula virtual y cuánto nos falta para tenerla?
Una célula virtual no es una visualización 3D de una célula. Es un modelo matemático suficientemente preciso como para predecir cómo responderá esa célula a una perturbación —un fármaco, una mutación genética, un cambio en el entorno— sin necesidad de hacer el experimento real. Llevamos décadas intentándolo con resultados parciales: los modelos de proteínas de AlphaFold o los modelos de regulación genómica como AlphaGenome y su lectura de los interruptores del ADN son piezas del rompecabezas, no el rompecabezas completo.
Lo que BioHub está intentando construir es el nivel superior: un modelo que integre la regulación genómica, el proteoma, el metaboloma y las señales extracelulares en un sistema unificado. Si funciona, un investigador podría testear in silico diez mil variantes de un fármaco en una tarde en lugar de años de laboratorio.
He cubierto AlphaFold2 en 2020 cuando DeepMind publicó sus resultados y la comunidad científica tardó semanas en procesar qué significaba de verdad. Desde entonces he aprendido que los plazos en biología computacional siempre se alargan más de lo que los anuncios sugieren.
El año de embargo: la señal que separa la ciencia de la PR
El detalle más importante del anuncio no es el dinero. Es el embargo de un año sobre los datos generados por el modelo antes de cualquier publicación externa.
Los organismos científicos involucrados —varios institutos europeos y americanos de investigación— han pactado no publicar resultados del modelo virtual durante doce meses desde que esté operativo, para permitir validación interna y reducir el riesgo de que hallazgos incorrectos se propaguen antes de ser revisados por pares. Ese compromiso es inusual y, desde mi punto de vista, es la señal más sólida de que aquí hay ciencia de verdad detrás del proyecto, no solo relaciones públicas.
La comparación con DrugCLIP y la búsqueda molecular de fármacos convertida en motor de IA ilustra bien la distancia entre lo que ya funciona —buscar candidatos farmacológicos conocidos más rápido— y lo que este proyecto intenta: crear candidatos nuevos simulando directamente la biología. Un salto cualitativo enorme.
El impacto real: ¿para qué sirve esto en la práctica?
La aplicación más inmediata y económicamente relevante es oncología. Los tumores son extraordinariamente heterogéneos: la misma mutación produce respuestas diferentes en células de distintos tejidos y pacientes diferentes. Un modelo que pueda simular esa heterogeneidad antes de entrar en ensayo clínico podría reducir drásticamente el coste —y el tiempo— de desarrollo de terapias diana.
La segunda aplicación es el envejecimiento celular. Las vesículas extracelulares y su potencial para frenar la senescencia celular es un área de investigación que depende directamente de entender qué señales celulares regulan el proceso de envejecimiento. Un modelo virtual que simule esas señales aceleraría la investigación de forma sustancial.
La pregunta que los investigadores que no están en el proyecto se hacen en privado es si 1.800 millones y el talento de DeepMind son suficientes para resolver algo que la biología lleva ochenta años intentando modelar. La respuesta honesta es que nadie lo sabe. Pero si hay una combinación de recursos, talento y motivación financiera suficiente para intentarlo seriamente, es difícil imaginar una más potente que esta.
☞ El artículo completo original de Natalia Polo lo puedes ver aquí
No hay comentarios.:
Publicar un comentario