Biología generativa

Si las máquinas pueden aprender a leer el lenguaje de la biología con una precisión cada vez mayor, ¿podrán también empezar a escribirlo?

Muchas vías de descubrimiento de fármacos comienzan con las proteínas.

Dentro de cada célula, las proteínas se pliegan formando estructuras tridimensionales muy específicas. Muchas de estas estructuras se sitúan en la superficie de la membrana celular, actuando como sensores, compuertas o puntos de comunicación entre la célula y su entorno. Los fármacos modernos suelen actuar uniéndose a estas proteínas. Cuando una molécula se une con éxito, puede desencadenar una cadena de reacciones químicas que modifican el comportamiento celular.

Durante décadas, uno de los principales retos de la biología ha sido comprender cómo las proteínas adquieren estas formas. Un pequeño cambio estructural puede alterar por completo la función de una proteína. Esto ha convertido el plegamiento de proteínas en uno de los problemas más difíciles de la biología computacional y la investigación farmacéutica.

En el número anterior, exploramos el Modelo de Lenguaje del ADN (DLM). Pero de esa discusión surge naturalmente una pregunta importante: si las máquinas pueden aprender a leer el lenguaje de la biología con creciente precisión, ¿podrán también empezar a escribirlo?

Esta cuestión se sitúa en el centro de la biología generativa.

La biología generativa se centra en el diseño de sistemas biológicos que no existen en la naturaleza. Los investigadores están desarrollando modelos capaces de generar estructuras proteicas completamente nuevas, predecir interacciones moleculares y diseñar fármacos candidatos antes de su síntesis física en el laboratorio. En lugar de depender únicamente de experimentos de ensayo y error, la biología se está convirtiendo gradualmente en un campo donde la simulación, la predicción y la generación operan conjuntamente.

Esta transición no ha surgido de repente. Varias capas tecnológicas han madurado simultáneamente para hacerla posible.

El coste de secuenciar un genoma humano ha disminuido drásticamente en las últimas dos décadas. El primer proyecto de secuenciación del genoma humano, finalizado en 2003, costó aproximadamente 3.000 millones de dólares. Tras la llegada de las tecnologías de secuenciación de nueva generación en 2007, los costes se redujeron rápidamente de millones a miles de dólares. A finales de la década de 2010, el sector superó el umbral simbólico de los 1.000 dólares. En 2022, el Instituto Sanger anunció que se podía secuenciar un genoma humano por unos 500 dólares. ( … )

Al mismo tiempo, los sistemas de inteligencia artificial mejoraron significativamente su capacidad para identificar patrones en grandes conjuntos de datos biológicos. En 2024, los investigadores de IA Geoffrey Hinton y John Hopfield recibieron el Premio Nobel de Física por sus contribuciones fundamentales al aprendizaje automático. Ese mismo año, Demis Hassabis y John Jumper recibieron el Premio Nobel de Química por AlphaFold2, un sistema capaz de predecir las estructuras de casi todas las proteínas conocidas.

Estos avances están empezando a transformar la manera en que se aborda la biología.

Pero cabe destacar que el escepticismo ante estos avances sigue siendo fundamental.

La biología generativa introduce capacidades poderosas, pero la potencia por sí sola no garantiza la fiabilidad. Las contribuciones más importantes a este campo podrían provenir, en última instancia, de investigadores que lo aborden con cautela. El escepticismo científico obliga a que los sistemas se prueben repetidamente, a que se identifiquen las debilidades con antelación y a que los riesgos ocultos se hagan visibles antes de su adopción a gran escala. Sin esa presión, los sistemas biológicos generados por modelos de IA cada vez más capaces podrían implementarse con un nivel de confianza que supera nuestro conocimiento actual.

A medida que la biología se vuelve más programable, el desafío principal puede que ya no sea si podemos generar nuevos sistemas biológicos, sino comprender las consecuencias de lo que elegimos generar.

Perspectiva científica

La biología generativa representa un cambio en la forma en que se lleva a cabo la investigación biológica.

Tradicionalmente, la biología se ha centrado en la observación y la predicción. Los investigadores estudiaban organismos, proteínas e interacciones moleculares existentes para comprender el funcionamiento de los sistemas vivos. La inteligencia artificial se introdujo en la biología siguiendo este mismo camino. Los primeros sistemas de IA biológica analizaban principalmente datos: identificaban patrones en secuencias de ADN, predecían estructuras proteicas, clasificaban enfermedades o estimaban el posible comportamiento de las moléculas.

La biología generativa va un paso más allá. En lugar de limitarse a predecir estructuras biológicas ya existentes, estos sistemas intentan crear diseños biológicos completamente nuevos. El objetivo ya no se restringe a comprender la vida, sino que se centra cada vez más en diseñar nuevos componentes biológicos con funciones específicas. Esta distinción es importante.

En el número anterior, exploramos los modelos de lenguaje de ADN, sistemas entrenados para interpretar el lenguaje biológico. Estos modelos aprenden patrones dentro de las secuencias genéticas de forma similar a como los grandes modelos de lenguaje aprenden patrones en el texto humano. Un modelo de lenguaje de ADN puede predecir si una mutación es dañina, identificar relaciones entre genes o clasificar secuencias biológicas según su función.

La biología generativa utiliza muchos de los mismos fundamentos computacionales, pero con un objetivo diferente. En lugar de interpretar el lenguaje biológico, el sistema genera nuevas secuencias biológicas diseñadas para lograr un resultado deseado.

La diferencia se asemeja a la distinción entre leer y escribir. Una persona que entiende la gramática y el vocabulario puede analizar un libro. Una persona que domina completamente el idioma también puede escribir uno nuevo.

La IA biológica está pasando gradualmente de la interpretación a la generación. Las proteínas se encuentran en el centro de esta transición.

El ADN contiene las instrucciones biológicas, pero las proteínas realizan la mayor parte del trabajo funcional dentro de los sistemas vivos. Transportan moléculas, regulan las reacciones químicas, transmiten señales entre células, reparan daños y defienden al organismo contra las enfermedades. La estructura de una proteína determina su comportamiento. Incluso un pequeño cambio en su forma tridimensional puede alterar por completo su función biológica. Esto convierte el diseño de proteínas en uno de los problemas más importantes de la biotecnología.

Durante décadas, el descubrimiento de fármacos dependió en gran medida de la búsqueda en la naturaleza. Los investigadores examinaban enormes bibliotecas de moléculas con la esperanza de encontrar una capaz de interactuar eficazmente con una diana biológica. El proceso a menudo se asemejaba a buscar una aguja en un pajar. Los científicos podían examinar miles o millones de moléculas candidatas antes de identificar una que mostrara resultados prometedores. Incluso entonces, la molécula generalmente requería años de optimización antes de convertirse en un fármaco viable.

La dificultad aumenta aún más porque el espacio de diseño biológico es prácticamente inimaginablemente grande. Una proteína se construye a partir de cadenas de aminoácidos. Incluso las proteínas relativamente pequeñas pueden generar más combinaciones de secuencias posibles que átomos en el universo observable. Probar estas posibilidades experimentalmente es imposible. Ningún sistema de laboratorio podría evaluar físicamente un espacio de búsqueda tan enorme.

La inteligencia artificial modifica esta dinámica al acotar la búsqueda. En lugar de analizar moléculas al azar, los sistemas generativos intentan predecir qué estructuras tienen más probabilidades de lograr la función biológica deseada antes de que comiencen las pruebas físicas. Los investigadores pueden definir un comportamiento objetivo, como la unión a una proteína relacionada con una enfermedad, y el modelo genera estructuras candidatas optimizadas para ese propósito. Esto representa una transición del descubrimiento biológico al diseño biológico.

Una forma útil de comprender este proceso es mediante la conocida analogía de la llave y la cerradura, que se utiliza a menudo en farmacología.

Muchas enfermedades están relacionadas con proteínas que se comportan de forma anómala dentro del organismo. Las moléculas de los fármacos actúan uniéndose a estas proteínas de manera muy específica, de forma similar a como una llave encaja en una cerradura. El descubrimiento tradicional de fármacos busca llaves existentes que, por casualidad, encajen lo suficientemente bien en la cerradura. La biología generativa intenta diseñar la llave directamente.

Los investigadores analizan primero la estructura de la diana biológica. A continuación, los sistemas de IA generan formas moleculares que, según las predicciones, se unirán con precisión a dicha diana. En lugar de examinar enormes colecciones de compuestos naturales, el sistema diseña computacionalmente nuevos candidatos antes de su síntesis en el laboratorio. Este enfoque cobra especial importancia para lo que los investigadores denominan dianas «inalcanzables mediante fármacos».

Históricamente, se ha considerado que un gran porcentaje de las proteínas asociadas a enfermedades son difíciles o imposibles de abordar con fármacos convencionales. Algunas proteínas carecen de sitios de unión adecuados. Otras cambian de forma de manera demasiado dinámica como para que las moléculas pequeñas interactúen eficazmente. La química farmacéutica tradicional a menudo tiene dificultades para abordar estas dianas.

Los modelos generativos pueden ofrecer soluciones alternativas mediante el diseño de estructuras proteicas completamente nuevas, capaces de interactuar con estas superficies biológicas complejas de maneras que los compuestos convencionales no pueden. Diversos tipos de arquitecturas de IA impulsan actualmente este campo.

Un enfoque importante utiliza modelos de difusión.

Los sistemas de difusión se popularizaron gracias a las herramientas de generación de imágenes. Estos modelos parten de ruido aleatorio y lo refinan gradualmente hasta obtener imágenes coherentes. En biología generativa, los investigadores aplican un concepto similar a las proteínas. En lugar de generar píxeles, el modelo genera estructuras moleculares.

Un modelo de difusión puede comenzar con una disposición aleatoria de aminoácidos o fragmentos estructurales. Mediante un refinamiento computacional repetido, el sistema moldea gradualmente la estructura hasta convertirla en una proteína estable, diseñada para realizar una tarea específica. Sistemas como RFdiffusion, desarrollado en el laboratorio de David Baker, utilizan este enfoque para diseñar proteínas completamente nuevas que no existen en la naturaleza. El proceso se asemeja a la escultura molecular realizada mediante computación.

Otro enfoque importante utiliza modelos de lenguaje biológico.

Estos sistemas se entrenan con bases de datos masivas que contienen secuencias de proteínas obtenidas de organismos vivos. Con el tiempo, el modelo aprende los patrones estadísticos que rigen la construcción de las proteínas, de forma similar a como los modelos de lenguaje basados en texto aprenden la gramática y la estructura de las oraciones.

Una vez entrenado, el modelo puede generar nuevas secuencias de proteínas con las propiedades deseadas. Los investigadores pueden solicitar al sistema que genere proteínas con probabilidades de unirse a un receptor específico, estabilizar una vía molecular o presentar ciertas características químicas.

En la práctica, estos sistemas funcionan mediante un ciclo de retroalimentación iterativo entre la biología computacional y la experimental.

El laboratorio computacional genera digitalmente moléculas candidatas. Posteriormente, los investigadores sintetizan y prueban las más prometedoras en el laboratorio experimental. Los resultados experimentales se incorporan al modelo, mejorando así las predicciones y las generaciones futuras.

A medida que se incorporan más datos biológicos al sistema, los modelos se vuelven gradualmente más rápidos, más precisos y más capaces de generar proteínas funcionales.

Este ciclo iterativo ya está transformando algunos aspectos del desarrollo farmacéutico. En algunos programas de descubrimiento de anticuerpos, los sistemas generativos están reduciendo significativamente los plazos de desarrollo, al tiempo que aumentan la probabilidad de que los candidatos diseñados tengan éxito durante la validación experimental.

Las implicaciones van más allá del descubrimiento de fármacos. Sin embargo, al mismo tiempo, el campo sigue limitado por la complejidad biológica.

Los sistemas vivos no son entornos de ingeniería estáticos. Las células se adaptan, compensan e interactúan constantemente con los sistemas circundantes de maneras que aún no se comprenden del todo. Una proteína que se predice que funcionará a la perfección en una simulación puede comportarse de manera diferente dentro de un organismo vivo. La seguridad, la estabilidad a largo plazo, las respuestas inmunitarias y las interacciones biológicas no deseadas siguen siendo desafíos importantes.

Por esta razón, la biología generativa no debe considerarse un sustituto de la biología experimental. En cambio, funciona cada vez más como una nueva capa que se añade a ella. La inteligencia artificial reduce el campo de búsqueda. La biología sigue determinando qué funciona en última instancia.

🚀 bio:cap 2026: estreno de un nuevo «investival» de ciencias de la vida e inteligencia artificial en CityCube Berlín (9–11 de junio de 2026).

bio:cap combina una exposición, una conferencia y networking curado, reuniendo a actores de biotecnología, pharma, diagnóstico, TechBio, datos e IA, así como a inversores, investigadores, clústeres, responsables de políticas y ecosistemas de innovación.

Los miembros de Capital Cell pueden usar nuestro código promocional de la comunidad, AV_ES-BIOCAP26-1807, para obtener descuentos de hasta el 40% en las entradas de bio:cap 2026. 🚀

Perspectiva del mercado

El mercado de la biología sintética estaba valorado en aproximadamente 20.000 millones de dólares en 2025 y se prevé que supere los 70.000 millones en la próxima década. (…) Sin embargo, la señal más importante no es el tamaño del mercado en sí, sino dónde empiezan a concentrarse la confianza institucional y el capital a largo plazo.

En los últimos dos años, algunas de las mayores rondas de financiación, colaboraciones farmacéuticas e inversiones en infraestructuras en biotecnología se han centrado cada vez más en plataformas de biología generativa.

Uno de los ejemplos más claros surgió en abril de 2024 con el lanzamiento de Xaira Therapeutics. La compañía debutó con aproximadamente mil millones de dólares en financiación comprometida, convirtiéndose en uno de los mayores lanzamientos de biotecnología de la historia reciente. Xaira fue cofundada por David Baker, cuyo laboratorio desarrolló RFdiffusion y otros sistemas fundamentales para el diseño computacional de proteínas. (…)

La estrategia de la compañía refleja una transición más amplia que se está produciendo en toda la industria farmacéutica. En lugar de tratar la IA como una herramienta de apoyo para el análisis de datos, las empresas están construyendo cada vez más procesos completos de descubrimiento basados en los propios sistemas generativos.

Generate:Biomedicines representa otro ejemplo importante.

Respaldada por Flagship Pioneering, la misma firma de capital riesgo detrás de Moderna, la compañía se centra en generar secuencias de proteínas totalmente nuevas con fines terapéuticos. Sus modelos se entrenan con extensos conjuntos de datos biológicos e intentan identificar principios generalizables que rijan el comportamiento de las proteínas. El sistema genera nuevos candidatos moleculares mientras aprende continuamente de la retroalimentación experimental. (…)

El mercado ha respondido con fuerza. Generate:Biomedicines ha alcanzado una valoración cercana a los 2.000 millones de dólares y ha establecido alianzas con importantes compañías farmacéuticas, incluyendo una colaboración multimillonaria con Amgen. (…) Más recientemente, la empresa también recaudó cientos de millones de dólares y aseguró una importante alianza con Novartis centrada en anticuerpos. (…)

El entorno de financiación en general refuerza el mismo patrón.

Tras la desaceleración en la financiación de la biotecnología que siguió al pico de financiación de 2021, la inversión en biología sintética repuntó con fuerza en 2024. La inversión de capital riesgo volvió a superar los 12.000 millones de dólares a nivel mundial, impulsada en gran medida por empresas que operan en la intersección de la inteligencia artificial, la biología computacional y la experimentación automatizada. (…)

Las grandes empresas farmacéuticas también están acelerando su participación.

Durante décadas, las principales compañías farmacéuticas compitieron principalmente a través de la escala de desarrollo clínico, la infraestructura de fabricación y la distribución comercial. La biología generativa introduce una nueva capa competitiva centrada en los datos, los modelos computacionales y la infraestructura de IA integrada.

Esto ya está cambiando las estructuras de colaboración en todo el sector.

Isomorphic Labs, la empresa derivada de DeepMind centrada en el descubrimiento de fármacos mediante IA, recaudó 600 millones de dólares a principios de 2025 para expandir lo que denomina «fábricas de ciencia de IA». Este concepto combina sistemas especializados de IA biológica con infraestructura de laboratorio robótica capaz de ejecutar experimentos automatizados de forma continua. En lugar de separar la predicción computacional de la validación de laboratorio, el objetivo es integrarlas en un sistema de aprendizaje unificado que opere de forma continua. (…)

Eli Lilly se adentró rápidamente en este sector mediante una alianza con Isomorphic Labs por un valor aproximado de 1.700 millones de dólares en pagos por hitos, además de capital inicial. La colaboración se centra en gran medida en dianas biológicas complejas que antes se consideraban inaccesibles mediante los métodos convencionales de descubrimiento de fármacos. (…)

Esta categoría de objetivos «inalcanzables mediante fármacos» se ha convertido en una categoría estratégicamente importante para toda la industria.

Muchas proteínas relacionadas con enfermedades no pueden ser atacadas eficazmente mediante la química tradicional de moléculas pequeñas. Los sistemas generativos amplían potencialmente el espacio de diseño disponible al diseñar estructuras moleculares completamente nuevas capaces de interactuar con estas dianas de maneras no convencionales.

Las implicaciones son sustanciales porque muchas de las áreas de enfermedades de alto valor que aún persisten se encuentran precisamente dentro de estos mecanismos biológicos previamente inaccesibles.

Novo Nordisk ha adoptado una estrategia igualmente agresiva.

La compañía estableció una colaboración multimillonaria con Valo Health para integrar la IA en su proceso de descubrimiento de fármacos, especialmente en enfermedades cardiometabólicas, más allá de su cartera de productos GLP-1. En 2026, Novo Nordisk también anunció una colaboración estratégica con OpenAI para aplicar sistemas generativos en los flujos de trabajo de investigación, fabricación y operaciones. (…)

Esto señala otra transición importante.

La biología generativa ya no se considera únicamente una herramienta de descubrimiento. Las empresas están integrando cada vez más la IA en todo el proceso farmacéutico, desde la generación molecular hasta la optimización de la fabricación y los sistemas de administración al paciente.

Otras alianzas importantes refuerzan aún más esta dirección.

Bayer invirtió aproximadamente 1.500 millones de dólares en su alianza con Recursion Pharmaceuticals, cuya plataforma combina laboratorios altamente automatizados con la generación de datos biológicos a gran escala. Los sistemas de Recursion producen continuamente imágenes celulares y datos de interacción molecular que se retroalimentan directamente a los modelos de IA. Según se informa, algunos de sus programas han reducido los plazos de descubrimiento inicial de varios años a menos de dos. (…)

Novartis amplió su colaboración con Isomorphic Labs tras el éxito de los proyectos iniciales. Roche anunció importantes inversiones en infraestructura de IA impulsada por NVIDIA, destinada a respaldar las iniciativas de la compañía en el sector sanitario aceleradas por IA. (…) Schrödinger, que combina el aprendizaje automático con simulaciones moleculares basadas en la física, ya cuenta con fármacos candidatos asistidos por IA que avanzan en ensayos clínicos avanzados.

Perspectiva de futuro

En conjunto, estos avances apuntan a un cambio estructural más amplio que se está produciendo dentro de la investigación farmacéutica.

Según se informa, más de 170 programas de desarrollo de fármacos basados en inteligencia artificial se encuentran actualmente en fase de desarrollo clínico a nivel mundial, y se espera que un número creciente entre en ensayos a gran escala en los próximos años. Para los inversores, la cuestión se aleja cada vez más de si la biología generativa puede producir candidatos terapéuticos viables.

La cuestión más importante es qué empresas controlan las plataformas, los conjuntos de datos, la infraestructura computacional y los ciclos de retroalimentación experimental necesarios para ampliar este proceso de manera efectiva.

Esto se asemeja a transiciones de plataforma observadas anteriormente en otras industrias.

En el sector del software, el valor se concentra en torno a los sistemas operativos, la infraestructura en la nube y las plataformas fundamentales. En biología generativa, podría surgir una concentración similar en torno a los modelos biológicos básicos, los conjuntos de datos experimentales propios, los sistemas de laboratorio automatizados y los procesos de descubrimiento integrados basados en inteligencia artificial.

También está surgiendo otra tendencia paralela en torno a la democratización.

Sistemas como Evo 2 están empezando a hacer que el modelado biológico avanzado sea más accesible fuera de las grandes compañías farmacéuticas. Evo 2 demostró un rendimiento sólido al analizar regiones genómicas no codificantes que antes se consideraban difíciles de interpretar, incluidas variantes asociadas con el riesgo de cáncer de mama vinculado al gen BRCA1. (…)

Patrick Hsu describió esta línea de investigación como la creación de una «tienda de aplicaciones para la biología», donde los investigadores pueden acceder a sistemas biológicos preentrenados para la edición genética, el modelado de proteínas y el diseño molecular.

Si estas herramientas se vuelven ampliamente accesibles, la estructura misma de la innovación biotecnológica podría cambiar.

Históricamente, el descubrimiento de fármacos avanzados requería una infraestructura física enorme, equipos especializados y años de trabajo de laboratorio. La biología generativa desplaza parcialmente el cuello de botella hacia el acceso computacional, la calidad de los datos y la capacidad de los modelos. Los laboratorios más pequeños podrían eventualmente acceder a capacidades que antes estaban reservadas a las grandes compañías farmacéuticas.

Esta posibilidad conlleva tanto oportunidades como riesgos.

Organizaciones como la UNESCO y la OCDE ya han destacado la necesidad de marcos de gobernanza genómica a medida que las herramientas de diseño biológico se difunden más ampliamente. La OCDE estima que la bioeconomía mundial podría superar el billón de dólares anuales para 2030.

A medida que la biología se vuelve cada vez más programable, los sistemas generativos podrían empezar a funcionar menos como productos biotecnológicos individuales y más como infraestructura fundamental para la bioeconomía en general.