El 8 de mayo de 2025, un equipo del Centro de Regulación Genómica (CRG) de Barcelona publicó un artículo en Cell demostrando que un sistema de inteligencia artificial puede diseñar secuencias reguladoras de ADN sintéticas y cortas que actúan como interruptores específicos de tipos celulares dentro de células mamíferas sanas. Menos de un año después, un grupo independiente de Rice University anunció en Nature un avance complementario: una plataforma experimental llamada CLASSIC que mapea millones de circuitos genéticos completos con sus salidas celulares y proporciona esas mediciones a modelos de aprendizaje automático para que puedan predecir funciones en un vasto espacio de diseño no probado. Juntos, estos artículos marcan un cambio rápido: la imaginación algorítmica de las secuencias de ADN está pasando de ejemplos de juguete a moléculas reales que alteran de manera fiable la actividad genética en células vivas, mientras la industria y los grupos políticos se apresuran a adaptar la fabricación y la supervisión para estar a la altura.
Una nueva clase de potenciadores sintéticos
El artículo de Cell del grupo de Barcelona describe una IA generativa entrenada con mediciones masivas de cómo fragmentos cortos de ADN —potenciadores o enhancers— influyen en la expresión génica durante el desarrollo de las células sanguíneas. Los potenciadores son tramos de ADN no codificante que reclutan factores de transcripción y determinan cuándo y dónde se expresan los genes. El equipo del CRG sintetizó más de 64.000 variantes diseñadas para probar combinaciones y disposiciones de motivos de unión para docenas de factores de transcripción, y luego midió la actividad en múltiples etapas de la hematopoyesis. A partir de esos datos, el modelo aprendió las reglas de diseño y propuso secuencias que nunca habían existido en la naturaleza, pero que se comportaron según lo previsto al introducirse en progenitores sanguíneos primarios de ratón: algunas actuaron como diales graduados, otras produjeron un comportamiento binario de encendido/apagado, y muchas mostraron una sorprendente especificidad por el tipo celular.
Bibliotecas masivas y mapeo de circuitos genéticos con CLASSIC
CLASSIC reveló dos lecciones prácticas para los diseñadores. En primer lugar, los circuitos a menudo no son problemas de solución única —muchos diseños diferentes pueden lograr el mismo resultado—, lo que otorga a los ingenieros flexibilidad para elegir entre robustez, potencia y coste de recursos. En segundo lugar, los componentes de potencia media suelen superar a los componentes más extremos; en otras palabras, la biología tiene sus propias «zonas de Ricitos de Oro». Crucialmente, el proceso se validó sintetizando y probando los diseños predichos: docenas de circuitos elegidos por la IA coincidieron con las lecturas de laboratorio, lo que demuestra que los modelos pueden generalizar más allá de sus conjuntos de entrenamiento cuando estos son grandes y se miden cuidadosamente.
De diseños in silico a células vivas
Ambas líneas de trabajo enfatizan un bucle de diseño-construcción-prueba estrechamente vinculado. En Barcelona, la IA propone secuencias cortas de potenciadores; los investigadores sintetizan esos fragmentos de 250 bases, los empaquetan en vehículos de entrega y los insertan en células mamíferas vivas para leer la actividad en los distintos estados celulares. En Houston y en los laboratorios colaboradores, la estrategia CLASSIC produce bibliotecas de circuitos completos, lee los resultados en miles o millones de células y devuelve esos resultados a un modelo de aprendizaje automático que recomienda la siguiente ronda de candidatos.
El resultado práctico es velocidad y creatividad. Mientras que la ingeniería genética clásica requería una depuración iterativa e intuición experta durante meses, la IA junto con la medición masivamente paralela permite a los equipos explorar espacios combinatorios a escalas que antes eran imposibles. Esto acelera el descubrimiento de interruptores de ADN funcionales para promotores terapéuticos, casetes de expresión restringidos por linaje y puertas lógicas más elaboradas en las células.
Fabricación a velocidad de IA: síntesis libre de células y cadenas de suministro
El diseño supera a la oferta si la síntesis y la producción no pueden seguir el ritmo. Los grupos industriales y algunas empresas emergentes ya se están adaptando: los flujos de trabajo de síntesis de ADN libre de células —que ensamblan plantillas lineales listas para IVT sin clonación en bacterias— eliminan las fuentes de contaminación (endotoxinas, ADN del huésped) y evitan problemas de recombinación que hacen que los homopolímeros largos, como las colas poli(A) codificadas, sean inestables en los plásmidos. Estas ventajas son fundamentales para los ciclos de IA, ya que los modelos iteran rápidamente y exigen muchas plantillas diferentes y personalizadas en plazos ajustados.
Las plantillas libres de células también reducen la variabilidad posterior en la longitud de la cola poli(A) y la integridad de la secuencia, mejorando la reproducibilidad de los productos de transcripción in vitro. Cuando la IA propone cientos o miles de secuencias candidatas, una cadena de suministro rápida y automatizada que ofrezca síntesis, control de calidad (QC) y plantillas IVT se convierte en el factor limitante; esto significa que las empresas, los fabricantes por contrato y las instalaciones académicas centrales se están reestructurando en torno a enfoques libres de células para igualar el ritmo de la computación.
Aplicaciones, restricciones y límites tempranos
Sin embargo, existen limitaciones reales. El genoma regulador es vasto y depende del contexto: el estudio del CRG perfiló solo un subconjunto de factores de transcripción y estados celulares, y las demostraciones de CLASSIC en Rice se realizaron en líneas celulares modelo como prueba de concepto. Traducir una secuencia que funciona en una placa en una terapia segura, duradera y eficaz en humanos requerirá una validación preclínica exhaustiva. Los modelos generalizan mejor cuando los datos de entrenamiento reflejan el contexto objetivo; las lagunas en los conjuntos de entrenamiento siguen siendo una de las principales fuentes de error.
Riesgos, gobernanza y supervisión humana
El diseño rápido y la síntesis barata plantean interrogantes sobre seguridad y gobernanza con los que la comunidad de la biología sintética lleva años lidiando. Una revisión en npj Biomedical Innovations enmarcó esto como un problema de convergencia: la IA reduce el umbral técnico para la bioingeniería compleja, mientras que los laboratorios automatizados y la síntesis económica escalan la capacidad y la distribución. Esa combinación amplía tanto la accesibilidad beneficiosa como el riesgo de doble uso.
De los comentarios y el trabajo político recientes surgen tres prioridades de gobernanza. Primero, la explicabilidad y las pistas de auditoría para los modelos y los procesos de diseño: las recomendaciones opacas de «caja negra» son más difíciles de evaluar en busca de modos de fallo o uso indebido. Segundo, controles con intervención humana en los puntos críticos de decisión, condicionando cualquier secuencia destinada a ser liberada en sistemas biológicos a una revisión experta y ensayos funcionales. Tercero, medidas en la cadena de suministro y estándares de cribado de secuencias para detectar diseños que podrían habilitar funciones dañinas, incluso cuando son novedosos. Los esfuerzos nacionales para ampliar el cribado de síntesis de ácidos nucleicos dan fe de la atención política que reciben ahora estas tecnologías.
La ciencia avanza rápido y, por ahora, el camino prudente combina el entusiasmo por lo que la IA puede crear con prácticas deliberadas y transparentes para limitar el riesgo, documentar la procedencia y preservar el juicio humano donde más importa.
Fuentes
- Cell (artículo de investigación sobre potenciadores sintéticos diseñados por IA)
- Nature (artículo de investigación: plataforma CLASSIC para el mapeo de circuitos genéticos de ultra alto rendimiento)
- npj Biomedical Innovations (análisis de la convergencia entre IA y biología sintética)
- Centro de Regulación Genómica (CRG), Barcelona
- Rice University Synthetic Biology Institute
- Universidad Pompeu Fabra (UPF)
Comments
No comments yet. Be the first!