Un ChatGPT biológico
Ewen Callaway, autor del artículo, explica que los esfuerzos para diseñar genomas, hasta ahora, han consistido principalmente en modificar lo que ya existe. Un ambicioso proyecto internacional, por ejemplo, se propuso reescribir el genoma de la levadura de cerveza (Saccharomyces cerevisiae), alterando y reorganizando sus secuencias sin cambiar su identidad básica. En otro caso, científicos recodificaron casi 20,000 posiciones en el genoma de la bacteria Escherichia coli, eliminando tres de los 64 codones que especifican aminoácidos en las proteínas. Estos trabajos demostraron que la vida tolera cambios extensos, pero partieron siempre de una base biológica ya funcional.
Los modelos de lenguaje genómico prometen algo más radical: cómo diseñar genomas completos sin depender directamente de uno preexistente.
En 2025, un equipo logró usar versiones anteriores de Evo para generar genomas de virus que infectan bacterias, conocidos como fagos. Cuando introdujeron esas instrucciones genéticas en células de E. coli, 16 de 285 diseños produjeron virus funcionales capaces de matar bacterias. El resultado fue notable, pero también hay que señalar que la mayoría de los diseños no funcionaron.
Además, los virus son relativamente simples. Sus genomas contienen apenas unos miles de letras y codifican un puñado de genes. Comparados con bacterias (y ni hablar de organismos más complejos), son entidades biológicas mínimas, consideradas por muchos como “parásitos genéticos” más que formas de vida completas.
El nuevo trabajo con Evo2 fue más ambicioso. El modelo generó secuencias inspiradas en el genoma de Mycoplasma genitalium, así como en el ADN mitocondrial humano y en un cromosoma de levadura. Según análisis computacionales, cerca del 70% de los genes en el genoma inspirado en M. genitalium parecían realistas. Pero si un solo gen esencial falta o está mal diseñado, el organismo no puede sobrevivir. “No se puede diseñar la vida al 70%”, dice Nico Claassens, biólogo sintético de la Universidad de Wageningen (Países Bajos). “Puedes hacerlo en una computadora, pero no será funcional”.
Ahora bien, el orden y la organización del genoma también son cruciales. En las células, los genes no están distribuidos al azar; su disposición influye en cuándo y cuánto se expresan. Un genoma que a primera vista luce bien es muy distinto a demostrar que puede coordinar todas las funciones esenciales de una célula viva. “Evaluar si tu genoma se ve correcto y funciona correctamente son dos cosas muy diferentes”, apunta Maciej Wiatrak, científico de aprendizaje automático de la Universidad de Cambridge.
Mucho camino por recorrer aún
Estudios recientes sugieren que los genomas generados por Evo2 presentan diferencias estructurales respecto a los naturales y carecen de ciertas características clave. Esto no implica necesariamente que sean inviables, pero sí plantea dudas sobre cuánto pueden enseñarnos acerca de la evolución genómica, uno de los objetivos originales de la genómica sintética.
A estas incertidumbres conceptuales se suman otros obstáculos prácticos. Para probar un genoma diseñado por IA es necesario sintetizar cientos de miles, o incluso millones, de letras de ADN y ensamblarlas en el orden correcto. Después, hay que introducir ese material en una célula receptora y comprobar si puede “arrancar” y sostener la vida. Cada intento implica costos elevados y procesos técnicamente complejos. “Los experimentos se están convirtiendo rápidamente en un cuello de botella”, afirma Wiatrak. “A esta escala, nos enfrentamos al coste de la síntesis y la construcción del ADN”.