Nature Biotechnology publicó una investigación sobre una versión diseñada de Argonaute 2 humana para realizar edición dirigida de bases de ARN, en particular conversiones de citosina a uracilo (C-to-U). El artículo explora la posibilidad de aprovechar una proteína humana con funciones programables para superar algunas limitaciones de herramientas basadas en proteínas de otros organismos.

La edición de ARN se diferencia de la modificación directa del ADN: puede alterar instrucciones moleculares utilizadas por las células sin cambiar necesariamente la secuencia permanente del genoma. Una herramienta capaz de dirigir estas modificaciones podría ofrecer nuevas estrategias de investigación y, potencialmente, aplicaciones terapéuticas.

El trabajo se encuentra en el ámbito de la investigación científica. No debe interpretarse como la disponibilidad de un tratamiento aprobado ni como evidencia de eficacia clínica general. La precisión de la edición, los efectos fuera del objetivo, la entrega a los tejidos y la duración de los cambios requieren evaluación específica.

El avance es relevante para la convergencia entre biología molecular e ingeniería de proteínas. Para los investigadores de la región, la publicación puede orientar nuevas líneas de estudio en terapias basadas en ARN, aunque la traducción a productos médicos dependerá de la validación independiente y de ensayos posteriores.

Fuentes:

Nature Biotechnology: https://www.nature.com/articles/s41587-026-03359-y

La respuesta corta es sí, pero solo si se construye deliberadamente una infraestructura de trazabilidad desde el diseño. Los modelos de IA entrenados en ADN, ARN y proteínas (Evo 2, Nucleotide Transformer, AlphaFold 3, ESM-3, LucaOne y similares) están convirtiendo la biología en una disciplina cada vez más programable. Generan hipótesis, diseñan secuencias y predicen estructuras a una velocidad imposible para la experimentación clásica. El riesgo es evidente: si no se preserva la cadena de custodia de los datos, de los modelos y de los resultados, la aceleración se convierte en una caja negra opaca, irreproducible y vulnerable a manipulación o a violaciones de privacidad.

La solución emergente combina estos foundation models biológicos con blockchain (y técnicas criptográficas asociadas) para recuperar y potenciar la trazabilidad, la reproducibilidad, la auditoría y la protección de datos.

El problema de la trazabilidad en la era de los modelos biológicos

Los modelos de lenguaje genómico y proteico se entrenan sobre corpus masivos (billones de nucleótidos, cientos de millones de proteínas). Una vez entrenados, producen predicciones o diseños de novo que luego se validan (o no) en el laboratorio. Los puntos débiles son varios:

• Origen de los datos: ¿de qué cohortes, con qué consentimientos y bajo qué licencias se entrenó el modelo?
• Versión del modelo y del pipeline: pequeños cambios en hiperparámetros, en el preprocesamiento o en la versión de AlphaFold/Evo pueden alterar resultados.
• Manipulación post-hoc: una predicción puede ser alterada después de generarse sin dejar rastro evidente.
• Datos personales sensibles: los genomas humanos son identificadores únicos; compartirlos sin control viola GDPR, HIPAA y normas equivalentes.
• Reproducibilidad experimental: incluso cuando el diseño in silico es correcto, la tasa de éxito en el laboratorio sigue siendo limitada (a menudo 10-20 % en binders), y sin un registro inmutable es difícil saber exactamente qué se intentó y por qué falló.

Sin trazabilidad, la “biología programable” se parece más a una caja negra de alto rendimiento que a una ciencia auditable.

Cómo entra blockchain

Blockchain no resuelve el plegado de proteínas ni genera secuencias mejores. Su valor está en tres propiedades: inmutabilidad, descentralización y transparencia verificable. Aplicado a la investigación genética, se usa de forma híbrida:

1. Datos genéticos fuera de la cadena (off-chain)
   Los archivos grandes (FASTQ, BAM, VCF, genomas completos) se almacenan cifrados en IPFS, Arweave, bases de datos federadas o nubes permisivas. Solo se registra en la cadena el hash criptográfico del archivo, el metadato de consentimiento y los permisos de acceso.
2. Eventos de proveniencia y uso en la cadena (on-chain)
   Cada acción relevante se registra como transacción: secuenciación de la muestra, control de calidad, acceso por un investigador, entrenamiento o fine-tuning de un modelo, generación de una predicción, envío a síntesis y resultado experimental. El registro es inmutable y con marca de tiempo.
3. Modelos y predicciones verificables
   Sistemas recientes calculan un hash del input (secuencia o conjunto de datos), un hash del modelo (pesos o versión) y un hash de la predicción, y los anclan en un smart contract. Cualquier auditor puede verificar después que la salida proviene exactamente de ese input y de ese modelo, sin necesidad de ver los datos sensibles. Esto ataca directamente el problema de manipulación post-hoc de resultados de IA.

Ejemplos concretos ya publicados incluyen:

• PrecisionChain (Nature Medicine, 2024): plataforma de consorcio que unifica datos clínicos y genéticos, permite consultas combinadas genotipo-fenotipo y mantiene logs de acceso inmutables.
• Sistemas de federated learning con blockchain (FFT-GA-BC y similares, 2026): entrenan modelos de forma distribuida sin compartir genomas crudos, usan privacidad diferencial + cifrado homomórfico y registran cada ronda de agregación en una cadena con pruebas Merkle.
• Esquemas de verifiable AI para farmacogenómica: cada predicción de sensibilidad a fármacos se ancla on-chain junto con los hashes de input y modelo, permitiendo auditoría posterior sin revelar el genoma del paciente.

Reproducibilidad y auditoría

La trazabilidad criptográfica permite responder preguntas que hoy suelen quedar en el aire:

• ¿Qué versión exacta del modelo y qué datos de entrenamiento produjeron este diseño de proteína o esta predicción de variante?
• ¿Quién accedió a qué cohortes y con qué consentimiento?
• ¿El resultado experimental corresponde al diseño que se registró, o hubo cambios no documentados?

Cuando se combina con contenedores deterministas, versionado de pipelines (Nextflow, CWL) y registro de hashes de resultados intermedios, se acerca a una reproducibilidad computacional “a prueba de auditoría”. Algunos trabajos experimentales ya demuestran que flujos de análisis de estructura proteica respaldados por blockchain logran 100 % de reproducibilidad en verificaciones de integridad, aunque con un coste computacional adicional.

La auditoría se vuelve continua y no solo retrospectiva: reguladores, comités de ética o revisores de revistas pueden verificar la cadena de custodia sin necesidad de acceder a los datos crudos.

Protección de datos y gobernanza

Los genomas son datos personales de alto riesgo. Blockchain, bien diseñado, refuerza la protección en lugar de debilitarla:

• Consentimiento programable: smart contracts pueden codificar condiciones de uso (solo investigación de cáncer, solo con anonimización, solo hasta cierta fecha) y revocar acceso automáticamente.
• Propiedad del individuo: el paciente o el donante puede mantener control sobre quién usa su genoma y, en algunos modelos, recibir micropagos o “dividendos de biodatos” cuando su contribución se usa para entrenar un modelo.
• Privacidad por diseño: zero-knowledge proofs permiten demostrar propiedades (por ejemplo, “este genoma pertenece a un paciente con mutación X”) sin revelar la secuencia completa. El cifrado homomórfico y el aprendizaje federado permiten entrenar o consultar modelos sin descifrar los datos.
• Cumplimiento regulatorio: logs inmutables facilitan demostrar cumplimiento de GDPR, HIPAA u otras normas ante auditorías.

Los enfoques más maduros son híbridos: datos sensibles siempre off-chain y cifrados; solo hashes, metadatos de consentimiento y eventos de acceso van a la cadena. Las cadenas de consorcio (permisivas) suelen ser más adecuadas que las públicas para datos genómicos por razones de rendimiento, coste y control de acceso.

Límites reales y desafíos pendientes

No todo es solucionable con blockchain:

• El coste de gas y la latencia todavía limitan el registro de cada micro-evento en cadenas públicas.
• La escalabilidad de almacenamiento on-chain de genomas completos es inviable; el modelo híbrido es obligatorio.
• La calidad de la trazabilidad depende de que los actores (laboratorios, empresas de IA, hospitales) registren honestamente los eventos desde el origen. La tecnología no impide que alguien mienta en el primer eslabón.
• La interoperabilidad entre distintas blockchains y sistemas legacy de biobancos sigue siendo un problema técnico y de gobernanza.
• El riesgo de “lavado de trazabilidad”: un sistema puede tener hashes impecables y, sin embargo, basarse en datos de origen dudoso o en modelos sesgados.

Además, la aceleración de la IA no elimina la necesidad de validación experimental. La trazabilidad perfecta de un diseño in silico no garantiza que la proteína se pliegue o funcione en la célula.

Conclusión: aceleración con memoria

La IA puede acelerar de forma radical la investigación genética —diseño de proteínas, predicción de efectos de variantes, generación de circuitos sintéticos, análisis multi-ómico— siempre que se construya al mismo tiempo una capa de memoria criptográfica. Blockchain no es la solución mágica, pero es una de las pocas tecnologías que ofrece inmutabilidad, auditoría pública o semi-pública y control granular de acceso a escala multi-institucional.

El escenario deseable es un ciclo cerrado:

dato genético con consentimiento → hash y registro de proveniencia → entrenamiento o inferencia de modelo biológico → predicción/diseño anclado on-chain → síntesis y experimento → resultado registrado → actualización del conocimiento compartido.

Cuando ese ciclo está trazable de extremo a extremo, la velocidad de la IA deja de ser una amenaza a la integridad científica y se convierte en una herramienta auditable, reproducible y respetuosa con la privacidad. La biología programable solo será verdaderamente científica si conserva la memoria de cómo se programó.

Modelos de IA entrenados en ADN, ARN y proteínas están transformando la comprensión y el diseño de sistemas biológicos, acercándola a una disciplina de ingeniería.

Modelos fundamentales clave

Los foundation models biológicos adaptan arquitecturas de lenguaje (transformers y variantes) a secuencias de nucleótidos y aminoácidos. Aprenden patrones de “gramática” biológica a partir de datos masivos sin etiquetas, y luego se adaptan a tareas específicas.

Proteínas

• ESM-2 / ESM-3 (Meta): modelos de lenguaje de proteínas de gran escala que generan representaciones útiles para predicción de estructura, función y diseño de novo.
• AlphaFold 2 y especialmente AlphaFold 3 (DeepMind/Isomorphic Labs, 2024): predicen estructuras 3D de proteínas, ADN, ARN, ligandos y sus complejos con alta precisión. AlphaFold 3 modela interacciones moleculares de forma conjunta.
• Herramientas de diseño generativo: RFdiffusion, ProteinMPNN, Chroma, BoltzGen y otras permiten generar backbones o secuencias con funciones deseadas (binders, enzimas, anticuerpos).

ADN / genomas

• Nucleotide Transformer: entrenado en genomas humanos y multi-especies; destaca en predicción de elementos reguladores, sitios de splicing y efectos de variantes.
• Evo (2024) y Evo 2 (2025): Evo se entrenó en ~2,7 millones de genomas procariotas y de fagos (~300 mil millones de nucleótidos). Evo 2 es el más grande hasta la fecha (~40 mil millones de parámetros, >9 billones de nucleótidos de >128.000 genomas de los tres dominios de la vida). Predicen efectos de mutaciones, generan secuencias y hasta genomas completos de bacterias simples, y transfieren conocimiento entre ADN, ARN y proteínas.
• Otros: DNABERT, HyenaDNA, GPN, LucaOne (modelo unificado de ácidos nucleicos y proteínas).

ARN
Modelos más recientes y de menor escala relativa (RhoFold, Orthrus, RNA-FM, etc.). Predicen estructura 3D, propiedades de transcripciones maduras y aptámeros. Aún están menos maduros que los de proteínas o ADN.

Modelos multimodales y conversacionales (ChatNT, LucaOne) empiezan a unificar las tres modalidades y a permitir interacción en lenguaje natural.

Aplicaciones potenciales

• Descubrimiento de fármacos: diseño de binders y anticuerpos de novo, optimización de codones para producción en levaduras u otros hosts, predicción de afinidad y complejos proteína-ligando.
• Ingeniería de proteínas y enzimas: nuevas funciones catalíticas, mayor estabilidad o especificidad.
• Biología sintética y genómica: generación de circuitos genéticos, predicción de efectos de variantes (incluyendo no codificantes), diseño de genomas sintéticos, edición multiplexada guiada por IA.
• Medicina de precisión y epigenética: modelos de metilación, predicción de expresión génica por tipo celular (GET), análisis de variantes patogénicas.
• Síntesis y producción: optimización de secuencias para expresión industrial y reducción de costes de desarrollo de proteínas terapéuticas.

La visión emergente es la de una “biología programable”: diseñar, escribir y probar sistemas vivos de forma iterativa (diseño → síntesis → experimento → aprendizaje), similar a la ingeniería de software, acelerada por laboratorios robóticos y modelos generativos.

Límites de la validación experimental

Aquí está el cuello de botella real:

1. Tasas de éxito experimentales aún modestas
   Incluso los mejores protocolos de diseño de binders logran ~10-20 % de éxito (a veces reportado más alto en condiciones ideales). En la práctica se suelen necesitar cientos de candidatos para obtener unos pocos funcionales.
2. Desconexión entre métricas in silico y realidad
   Puntuaciones de confianza de AlphaFold, recuperación de estructura o métricas de “designability” no predicen de forma fiable el éxito en el laboratorio. La información evolutiva puede enmascarar problemas reales de plegado o función. Las regiones flexibles o desordenadas confunden las evaluaciones.
3. Cobertura incompleta del espacio funcional
   Los modelos son buenos en estructuras relativamente rígidas y funciones cercanas a las naturales. Fallan más en proteínas con grandes cambios conformacionales, regulación por modificaciones post-traduccionales, especificidad de sustrato fina o comportamiento en contextos celulares complejos.
4. Datos sesgados y escasez de negativos
   El PDB y las bases de secuencias están dominados por ciertas familias y condiciones. Faltan datos sistemáticos de fallos, de interacciones en entornos fisiológicos y de efectos a nivel de organismo.
5. Escalabilidad experimental y bioseguridad
   Sintetizar, expresar y ensayar miles de diseños sigue siendo costoso y lento. Además, la capacidad de generar secuencias funcionales (incluidos sistemas CRISPR o potenciales patógenos) plantea riesgos de bioseguridad que aún no tienen marcos de gobernanza maduros.
6. Generalización limitada
   Los modelos sobresalen en tareas cercanas a los datos de entrenamiento, pero la biología real opera en contextos multicelulares, temporales y ambientales que aún no se modelan de forma fiable.

Perspectiva actual (2025-2026)

Estamos en una fase de aceleración intensa de los foundation models biológicos, comparable a la de los LLM de texto alrededor de 2022-2023. La capacidad de “leer, escribir y pensar” en el lenguaje de los nucleótidos y aminoácidos es real y ya produce resultados útiles (especialmente en predicción estructural y diseño de proteínas simples).

Sin embargo, la biología programable completa —diseñar genomas o sistemas complejos con alta probabilidad de éxito a la primera— todavía requiere un ciclo estrecho de validación experimental. El progreso futuro dependerá tanto de modelos más potentes y multimodales como de infraestructura experimental de alto rendimiento, mejores benchmarks y compartir sistemáticamente tanto éxitos como fallos.

En resumen: la IA está haciendo que la biología sea cada vez más diseñable y programable, pero el paso del silicio al tubo de ensayo sigue siendo el filtro decisivo y el principal límite actual.