Biología & IA: ¿aporte o peligro inminente? 

Son dos métodos. SynthIDBio-sequence integra el muestreo por torneo de SynthID-text dentro de ProteinMPNN, el diseñador de secuencias estándar: no cambia el modelo, cambia cómo elige. SynthIDBio-structure es un AlphaFold 3 afinado que inscribe la marca en las coordenadas atómicas de la estructura que predice. En los dos casos la marca se mete donde la biología deja margen: cuando varios aminoácidos sirven igual en una posición, el método sesga la elección de un modo que después se puede medir.

El ensayo no se quedó en simulación. Tomaron tres blancos reales —VEGF-A, el dominio RBD de la espícula del SARS-CoV-2 y PD-L1—, hicieron 18 diseños por backbone y sintetizaron más de 750 secuencias sin contar controles: 222 sin marca y 267 marcadas por cada una de las dos configuraciones (Nature, 2026). La validación in vitro la corrió Adaptyv Bio; Twist Bioscience dio comentarios tempranos a través de James Diggans, su VP de Política y Bioseguridad y presidente del consorcio internacional de síntesis génica.

El resultado central es una ausencia. Medida por resonancia de plasmón superficial, la afinidad de unión (K_D) de las proteínas marcadas no mostró diferencias significativas con las no marcadas, y tampoco las tasas de acierto; la prueba es un Wilcoxon de dos colas (Nature, 2026). La marca no rompió la función.

La detección va con su umbral declarado. En secuencias, con el umbral en 0,1% de falsos positivos, los autores reportan 100% de verdaderos positivos, pero sobre diseños previamente filtrados. En estructuras, más de 99,8% con ese mismo umbral y 98,99% cuando lo aprietan a 0,01%. La calibración se hizo sobre 700.000 secuencias de binders sin marca y 661.581 del Protein Data Bank. El límite es de tamaño: la marca se lee en estructuras de 32 a 48 residuos y, por debajo de 16, la detección cae (Nature, 2026).

Firman 21 autores de Google DeepMind en Londres, con Demis Hassabis y Pushmeet Kohli en la lista y financiamiento de Alphabet. Publicaron el paper, abrieron el código y los datos in vitro, y liberaron los pesos. También extendieron la marca al genoma de un bacteriófago diseñado por Evo 2, con el laboratorio Hie de Stanford y el Arc Institute: las pruebas tempranas en cultivo bacteriano preservan la función, y ellos mismos lo presentan como prueba de concepto. Kohli escribe que creen que es la primera vez que se sintetizan proteínas diseñadas por IA «a la vez funcionales y marcadas con agua».

A mayo de 2026 hay más de 75 moléculas diseñadas o moldeadas sustancialmente por IA en ensayos con personas. En fase I, la etapa que mide seguridad y dosis, pasan entre 80% y 90%. El histórico de la industria es de 40% a 65% (Jayatunga et al., Drug Discovery Today, 2024, con datos hasta diciembre de 2023).

En fase II, la etapa que pregunta si el fármaco sirve, la tasa queda en torno a 40%: la de siempre. El diseño asistido por IA mejora la química, es decir qué molécula se une a qué blanco y con qué estabilidad. No cambia lo que ocurre dentro de un paciente.

Un candidato cruzó a fase III: rentosertib (ISM001-055), de Insilico Medicine, para fibrosis pulmonar idiopática. Su fase IIa fue aleatorizada, doble ciego y con placebo: 71 pacientes en 21 sitios de China. A 60 mg diarios, la capacidad vital forzada mejoró 98,4 mL en promedio a las 12 semanas (IC95%: 10,9 a 185,9); con placebo cayó 20,3 mL (IC95%: −116,1 a 75,6). La fase III empezó el 7 de julio de 2026 (Xu, Ren et al., Nature Medicine, junio de 2025; registro NCT05938920).

El dinero va más adelante que la evidencia. Isomorphic Labs levantó una Serie B de US$2.100 millones en mayo de 2026 y no declara ninguna molécula en clínica. Lilly e Insilico firmaron en marzo de 2026 un acuerdo de alrededor de US$2.750 millones, con US$115 millones por adelantado. Lilly y NVIDIA comprometieron hasta US$1.000 millones en cinco años (anuncios de las compañías, 2026).

Nada de esto dice que el diseño con IA no sirva. Dice qué parte del problema resolvió. Si lees un anuncio del área, el dato que importa no es cuántas moléculas entraron a la fila, sino cuántas salieron de fase II.

Primero, el precio. Garantizar que la marca se detecte siempre obliga a descartar los diseños donde quedó mal inscrita. En uno de los escenarios del paper la tasa de aprobación de diseños cae 41,7%: para quedarte con la misma cantidad de candidatos útiles tienes que generar 171,5% de los que generabas sin marca (Nature, 2026). Ese costo lo paga quien decide marcar.

Segundo, la marca es frágil, y son los autores quienes lo escriben en la sección de limitaciones: no sobrevive a transformaciones posteriores del diseño. Quitarla tiene un costo en función, porque el diseño pierde eficacia. Es fricción, no un muro.

Tercero, el punto de fondo: la trazabilidad vale lo que vale su adopción. El cribado de pedidos de síntesis es voluntario y no existe obligación legal de que un proveedor revise lo que le piden. Los miembros del consorcio de síntesis génica cubren cerca del 80% del mercado global, y se estima que solo alrededor del 15% de los proveedores del mundo criba secuencias (NTI, 2025). Una marca que esos actores no tienen por qué leer no cambia su conducta.

Cuarto, la admisión que suele quedar fuera del anuncio: los autores dicen que los casos de uso que proponen todavía son hipotéticos al momento de escribir, y que operacionalizarlos exige más investigación e implementación cuidadosa. Lo verificado hoy es el resultado de laboratorio. El resto es diseño institucional pendiente.

Queda la asimetría de los errores. En el uso de integridad científica, el paper dice que un falso positivo lleva sobre todo a «trabajo extra de verificación y al riesgo de acusaciones espurias de asistencia de IA». En bioseguridad el filo es otro: si la detección de la marca sirviera para saltarse el cribado, un falso positivo dejaría pasar un pedido sin el escrutinio más intenso. Un falso negativo deja pasar lo que no debía pasar; un falso positivo frena trabajo legítimo. Los umbrales que separan a uno del otro los fija, por ahora, quien quiera fijarlos.