La inteligencia artificial generativa, hasta hace poco asociada sobre todo a textos, imágenes, música o código, ha entrado en una zona bastante más delicada: el diseño de sistemas biológicos completos. Un equipo vinculado a Stanford University y al Arc Institute presentó el 6 de agosto de 2026 en Science un trabajo en el que modelos de lenguaje genómico, en especial Evo 2, generaron genomas completos de bacteriófagos —virus que infectan bacterias— y una parte de esos diseños funcionó después en el laboratorio contra cepas de Escherichia coli.
El estudio no significa que una IA haya creado “vida” en el sentido pleno y cotidiano de la palabra. Los bacteriófagos son virus y siguen ocupando esa frontera incómoda entre lo vivo y lo no vivo. Pero el salto sí es importante: no se trató de sugerir una proteína suelta, ni de optimizar un fragmento de ADN, sino de proponer genomas enteros capaces de dar lugar a partículas virales funcionales. Dicho de forma llana, el modelo no se limitó a leer el lenguaje del ADN; empezó a escribir textos genéticos suficientemente coherentes como para que la biología real los aceptara.
El equipo, liderado por investigadores como Samuel H. King y Brian L. Hie, eligió como plantilla el bacteriófago ΦX174, un viejo conocido de la genética molecular. No fue una elección casual. Su genoma tiene 5.386 nucleótidos y 11 genes, un tamaño pequeño frente a los genomas de bacterias, plantas o animales, pero lo bastante enrevesado para poner a prueba un sistema de diseño. ΦX174 tiene regiones solapadas, señales regulatorias y piezas que deben encajar con mucha precisión para que el virus pueda empaquetarse y replicarse en su bacteria huésped.
También arrastra una carga histórica difícil de ignorar: ΦX174 fue el primer genoma completo secuenciado, en 1977, y décadas después sirvió como demostración de que un genoma entero podía sintetizarse químicamente. En 2026, su papel cambió de nuevo. Esta vez no fue solo un objeto leído o copiado, sino una especie de molde para comprobar si una IA entrenada con millones de secuencias podía explorar variantes que la evolución natural no había dejado registradas.
El procedimiento, contado sin la letra pequeña de laboratorio, tuvo varias etapas. Los modelos Evo 1 y Evo 2 fueron entrenados y afinados con grandes colecciones de genomas de bacteriófagos relacionados con ΦX174. Después generaron miles de candidatos. Los investigadores aplicaron filtros informáticos para descartar secuencias que no parecían conservar rasgos mínimos de calidad, especificidad de huésped o diversidad evolutiva. De esa criba salieron cientos de opciones para probar, y finalmente se ensayaron 285 diseños.
De esos 285 genomas diseñados por IA, 16 produjeron bacteriófagos viables capaces de propagarse e inhibir el crecimiento de las bacterias objetivo en condiciones de laboratorio.
La cifra puede leerse de dos maneras. Por un lado, la tasa de éxito fue baja: la mayoría de los diseños no funcionó. Varios expertos lo han comparado, con cierta prudencia, con una especie de “alucinación biológica”: secuencias que parecen plausibles sobre el papel, pero no sobreviven al choque con la realidad celular. Por otro lado, los 16 casos que sí funcionaron bastan para demostrar algo que hasta ahora permanecía en el terreno de la promesa: un modelo de IA puede generar genomas completos que no son meras copias de la naturaleza y que, aun así, tienen actividad biológica verificable.
Los bacteriófagos resultantes no fueron clones triviales. Según la descripción técnica del trabajo y el resumen divulgado por los investigadores, los diseños funcionales presentaban mutaciones nuevas respecto a sus parientes naturales más cercanos. Uno de ellos, denominado Evo-Φ2147, acumulaba cientos de diferencias frente al genoma natural más próximo; otro, Evo-Φ36, incorporaba una proteína de empaquetamiento de ADN procedente de un fago evolutivamente distante. Ese tipo de combinación ya había resultado difícil mediante enfoques racionales clásicos, porque no basta con cambiar una pieza: todo el sistema debe seguir encajando.
El objetivo inmediato fue E. coli, una bacteria que puede ser inocua en muchas circunstancias, pero que también incluye cepas capaces de causar infecciones graves. Los investigadores trabajaron con cepas de laboratorio no patógenas y mantuvieron el alcance del experimento dentro de bacteriófagos que no infectan células humanas. El matiz importa. La noticia no es que la IA haya fabricado un patógeno humano, sino que ha demostrado capacidad para diseñar pequeños sistemas virales funcionales bajo restricciones concretas.
Una parte llamativa del estudio fue la prueba frente a bacterias resistentes al ΦX174 natural. En ensayos de evolución de resistencia, cócteles formados por bacteriófagos generados por IA superaron la resistencia en tres cepas de E. coli que ya no eran vulnerables al fago original. La idea recuerda a las terapias combinadas: si una bacteria aprende a escapar de un atacante, quizá le resulte más difícil esquivar a varios fagos distintos al mismo tiempo.
Los cócteles de bacteriófagos diseñados por IA lograron superar en laboratorio resistencias que el ΦX174 natural no podía vencer por sí solo.
La promesa médica todavía queda lejos. Pasar de una placa de laboratorio a un tratamiento aprobado exige demostrar seguridad, eficacia, fabricación reproducible y control sobre qué bacterias se atacan y cuáles no. Aun así, el avance apunta a un problema muy concreto: la resistencia antimicrobiana. Durante años, la terapia con fagos ha despertado interés porque estos virus pueden atacar bacterias de forma selectiva. El obstáculo, muchas veces, es encontrar en la naturaleza el fago correcto, adaptarlo, combinarlo y mantenerlo útil cuando la bacteria evoluciona.
Ahí es donde la IA cambia el enfoque. En lugar de buscar únicamente en ríos, suelos, aguas residuales o bancos de muestras, los investigadores empiezan a generar diversidad biológica en un ordenador y luego la someten a la prueba dura del laboratorio. Es un cambio modesto en escala, pero profundo en dirección. La biología sintética deja de depender solo de copiar y editar piezas conocidas, y comienza a explorar diseños nuevos a partir de reglas estadísticas aprendidas de la evolución.
La misma demostración trae una incomodidad evidente. Si se pueden diseñar genomas funcionales de bacteriófagos, la pregunta sobre seguridad aparece casi sola. Los responsables de Evo 2 subrayan que el trabajo se realizó con huéspedes bacterianos no patógenos, que el sistema incorporó exclusiones de virus humanos y que la validación experimental sigue siendo un cuello de botella. No es una máquina autónoma que produzca organismos peligrosos al pulsar un botón. Pero sí obliga a discutir cómo se supervisan los modelos biológicos abiertos, cómo se controlan los pedidos de ADN sintético y quién decide qué experimentos son aceptables.
La escena, vista con algo de distancia, tiene un punto inquietante: un algoritmo entrenado con los restos digitales de millones de genomas escribe nuevas combinaciones de A, C, G y T, y algunas consiguen abrirse paso en una bacteria real. No hay monstruo de laboratorio ni relámpagos sobre una mesa de operaciones. Hay listas de secuencias, filtros, síntesis de ADN, ensayos fallidos y 16 resultados que funcionaron. Precisamente por eso la noticia pesa: no parece ciencia ficción, sino el comienzo práctico de una herramienta nueva.
El hallazgo no cierra el debate sobre qué será capaz de hacer la IA en biología. Más bien lo abre con una prueba tangible. Después de aprender a leer genomas y predecir funciones, los modelos generativos empiezan a escribir instrucciones biológicas completas. Falta saber hasta dónde podrá escalarse ese método, qué controles serán necesarios y si sus aplicaciones beneficiosas —desde terapias contra bacterias resistentes hasta herramientas agrícolas o industriales— avanzarán más rápido que sus riesgos.
