Gracias ella, lograron diseñar genomas completos de bacteriófagos, es decir, virus que infectan bacterias. Algunos de esos genomas fueron sintetizados en el laboratorio y dieron lugar a virus funcionales capaces de infectar y reproducirse en la bacteria Escherichia coli.
Esto no significa que una IA pueda diseñar seres vivos a la carta. Estamos muy lejos de eso (o no, quién sabe). Pero sí demuestra algo importante: un modelo entrenado con enormes cantidades de secuencias de ADN puede aprender algunas de las reglas que organizan un genoma y utilizarlas para proponer secuencias nuevas que funcionan en el mundo real, asegura el científico, Ignacio López-Goñi,catedrático de Microbiología y miembro de la Sociedad Española de Microbiología (SEM).
Los investigadores utilizaron Evo 1 y Evo 2, dos grandes modelos de lenguaje genómico. Su modo de funcionamiento es similar al de ChatGPT, con la diferencia que, en lugar de aprender de palabras y textos, Evo lo hace de secuencias de ADN,agrega.
Así, su alfabeto tiene solo cuatro letras (A, G, C y T, los cuatro nucleótidos o moléculas que conforman la estructura del ADN), y durante el entrenamiento intenta predecir qué nucleótido debería aparecer a continuación. Después de analizar millones de genomas, el modelo acaba identificando regiones asociadas a genes, secuencias reguladoras y secuencias que codifican proteínas, además de entender cómo es la organización genómica.
De la misma manera que el ChatGPT comprende el lenguaje humano y es capaz de escribir textos con sentido, Evo entiende el lenguaje del ADN y escribe genomas con sentido.
Menciona López-Goñi, que en 2024, Evo 1 fue entrenado con 2,7 millones de genomas de bacterias, arqueas y virus bacteriófagos. En 2026, la nueva versión Evo 2 ha ampliado enormemente la cantidad y diversidad de secuencias analizadas y la longitud de ADN que puede analizar: contiene más de 40 000 millones de parámetros y ha sido entrenada con billones de nucleótidos de genomas no sólo de procariotas (arqueas y bacterias) y virus, sino también de eucariotas (las células que forman los animales, plantas, hongos y protistas).
Subraya que aparte de reconocer genes y las regiones o señales relacionadas con la traducción de la información genética, lo interesante es que estos modelos también pueden generar nuevas secuencias de ADN siguiendo las reglas que han aprendido. No solo lo leen, sino que lo escriben. La pregunta es: ¿podrían llegar a escribir un genoma completo que funcionara?
Para comprobarlo, los investigadores escogieron al bacteriófago ΦX174, un virus muy conocido que infecta Escherichia coli. Tiene un diminuto genoma circular de ADN de tan solo 5 386 nucleótidos y ocupa un lugar histórico en la biología molecular: fue el primer genoma completo de ADN que se consiguió secuenciar, allá por los años setenta.
Diseñar un genoma viral no consiste simplemente en colocar genes uno detrás de otro: todo el sistema debe funcionar coordinadamente. El ADN tiene que replicarse, los genes deben expresarse correctamente y en un orden determinado, sus proteínas tienen que interaccionar, el genoma debe empaquetarse dentro de una cápside proteica y, finalmente, la nueva partícula viral tiene que reconocer una bacteria, infectarla y completar su ciclo de reproducción,dice el científico.
No basta, por tanto, con escribir palabras que tengan sentido: hay que conseguir que funcione toda la historia.
Los investigadores especializaron Evo 1 y Evo 2 utilizando unas 15 000 secuencias de virus pertenecientes a la familia Microviridae, a la que pertenece ΦX174. A partir de esa información, los modelos generaron miles de posibles genomas nuevos.
Se seleccionaron cerca de 300 genomas para comprobarlos experimentalmente. Solo 16 de ellos produjeron bacteriófagos viables capaces de infectar E. coli y reproducirse. Es decir, de miles de genomas generados por IA, 300 fueron seleccionados y poco más del 5 % funcionaron. En suma, la tasa de éxito fue muy baja: la IA todavía falla mucho y no sabe escribir de forma fiable un genoma funcional. Pero que 16 de esos genomas diseñados por inteligencia artificial funcionaran demuestra que los modelos habían captado suficientes relaciones entre las distintas partes del genoma como para generar combinaciones biológicamente compatibles. Los autores llamron “Evo-Φ” a estos nuevos fagos generados por IA.
Otro resultado muy interesante fue que los nuevos bacteriófagos no eran simples copias de ΦX174 con unas pocas mutaciones. Algunas de sus proteínas eran muy diferentes de las del virus de referencia, pero seguían funcionando integradas dentro del conjunto. La IA no parecía estar aprendiendo únicamente cómo debía ser cada pieza, sino también algunas de las reglas que permiten que esas nuevas piezas funcionen juntas. Es como si hubiera aprendido las reglas de la evolución.
Y esto, ¿para qué sirve?
Igual que se vuelven inmunes a los antibióticos, las bacterias también pueden hacerse resistentes a la infección por bacteriófagos. Esto representa uno de los problemas de la fagoterapia, como se denomina la utilización de virus bacterianos para combatir determinadas infecciones.
Los investigadores obtuvieron cepas de E. coli resistentes al ΦX174 original y después las enfrentaron a diferentes combinaciones de los nuevos fagos Evo-Φ diseñados mediante IA. Pues bien, un cóctel determinado de fagos Evo-Φ consiguió superar rápidamente la resistencia a ΦX174 en tres cepas bacterianas.
Esto no significa que dispongamos de una nueva terapia. El experimento se realizó en el laboratorio y no demuestra que estos bacteriófagos sean eficaces o seguros para tratar infecciones humanas. Pero es una “prueba de concepto” muy interesante. Quizás, en el futuro, ante una bacteria resistente, podamos utilizar modelos de IA para explorar rápidamente miles de posibles variantes de fagos y seleccionar después experimentalmente aquellas que tengan las propiedades que buscamos.
Este artículo fue publicado originalmente en The Conversation. Lea el original.
