AlphaFold 3

El texto detalla el desarrollo y las capacidades de AlphaFold 3, un revolucionario modelo de inteligencia artificial diseñado para predecir las estructuras de sistemas biomoleculares complejos. A diferencia de sus predecesores, esta versión utiliza una arquitectura basada en la difusión para modelar las interacciones entre proteínas, ADN, ARN, ligandos y diversas modificaciones químicas dentro de un único marco. Al sustituir los módulos antiguos por un Pairformer y un proceso de difusión generativa, el sistema alcanza una precisión sin precedentes que a menudo supera a las herramientas especializadas en el descubrimiento de fármacos y la biología molecular. El modelo gestiona eficazmente casi todos los tipos moleculares presentes en el Banco de Datos de Proteínas, proporcionando información crucial sobre las funciones celulares mediante coordenadas atómicas de alta fidelidad. A pesar de su éxito, los autores señalan limitaciones como errores estereoquímicos ocasionales y la tendencia a producir estructuras "alucinadas" en regiones desordenadas. En definitiva, la investigación demuestra que un enfoque unificado de aprendizaje profundo puede dominar la inmensa complejidad de todo el espacio biomolecular.

Enlace al artículo científico, para aquellos que quieran profundizar en el tema: "Accurate Structure Prediction of Biomolecular Interactions with AlphaFold 3", por Josh Abramson y colegas. Publicdo el 27 de Noviembre del 2024 en Nature.

El resumen, la transcripción, la traducción, y las voces fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

Escúchalo aquí, mientras lees la transcripción (abajo):

O escúchalo en Spotify.

---

Transcripción

Alicia
Bienvenidos a un nuevo análisis profundo. Hoy analizamos un artículo que está causando olas verdaderamente enormes en la biología computacional.

Beto
Sí, de verdad.

Alicia
Es un lanzamiento de mayo de 2024 de Google DeepMind e Isomorphic Labs que detalla AlphaFold 3. Vamos a explorar la mecánica de esta investigación para entender por qué esta nueva arquitectura representa un atajo sin precedentes para mapear las interacciones atómicas de la vida.

Beto
Es, en efecto, un salto enorme.

Alicia
Si sigues el campo, ya conoces el legado de AlphaFold 2, que resolvió gran parte del problema del plegamiento de proteínas. Pero esta nueva iteración cambia el paradigma por completo al modelar todo el espacio biomolecular dentro de un único marco.

Bien, vamos a desglosarlo. Para comprender plenamente el salto arquitectónico, necesitamos ver lo fragmentado que estaba el panorama antes de la publicación.

Beto
El campo históricamente ha operado en estos silos altamente especializados. Tenías herramientas dedicadas para la predicción de estructuras proteicas y algoritmos completamente separados y muy afinados para, por ejemplo, el acoplamiento proteína-ligando o las interacciones con ácidos nucleicos.

Alicia
Herramientas totalmente distintas para trabajos distintos.

Beto
Exacto. Y AlphaFold 3 disuelve esas fronteras. Aporta una única arquitectura de aprendizaje profundo continua capaz de predecir la estructura conjunta de ensamblajes complejos de una sola vez: proteínas, ADN, ARN, ligandos, iones e incluso residuos modificados como la glicosilación.

Alicia
Todo manejado de forma nativa.

Beto
Todo manejado de forma nativa sin cambiar de modelo.

AlphaFold 3

Alicia
Sí. Es un enfoque unificado. Y lo que sobresale cuando se examinan los materiales suplementarios es que lograr esta universalidad requirió en realidad despojar mucha de la complejidad específica de dominio que hacía funcionar a AlphaFold 2.

Beto
Lo evolucionaron por reducción, esencialmente.

Alicia
La fuerte dependencia en los alineamientos múltiples de secuencias (MSA), que impulsaban el antiguo bloque Evoformer, se reduce de forma masiva.

Beto
El cambio del Evoformer al nuevo módulo pair‑former es una pieza de ingeniería brillante. El pair‑former sigue usando 48 bloques, pero los datos de MSA se descartan esencialmente después de la fase inicial de embedding.

Alicia
Correcto.

Beto
Esto pasa la información evolutiva condensada a una representación por pares y luego se aparta.

Alicia
Lo cual es alucinante, ¿no? Porque ¿por qué la repentina disminución de la importancia de las MSA? AlphaFold 2 prácticamente vivía y respiraba con alineamientos evolutivos profundos para inferir proximidad espacial.

Beto
Porque la generación de la estructura en el back-end del modelo es completamente diferente ahora. El modelo de difusión al final de AlphaFold 3 es increíblemente competente aprendiendo la física cruda y la estereoquímica del posicionamiento atómico directamente desde las coordenadas.

Alicia
Así que no necesita tanto el apoyo evolutivo.

Beto
Exacto. No necesita apoyarse tan fuertemente en la historia evolutiva para conjeturar la proximidad 3D de residuos, porque ya posee un entendimiento profundamente aprendido de cómo los átomos se empaquetan físicamente en el espacio.

Alicia
Y eso nos lleva al núcleo del artículo: el módulo de difusión. Los investigadores eliminaron por completo el complejo módulo de estructura de AlphaFold 2 —el que usaba atención invariante a puntos y cálculos intrincados de ángulos de torsión— y lo reemplazaron por un modelo de difusión que opera directamente sobre coordenadas cartesianas crudas.

Beto
Sí, es un cambio conceptual enorme.

Alicia
Para visualizarlo: imagina sintonizar una radio antigua.

Beto
Me gusta esa analogía.

Alicia
Empiezas con pura estática caótica y, al girar el dial, la estática se resuelve en una canción nítida. La red parte de una nube de átomos aleatorizados y les remueve el ruido, paso a paso, hasta formar un complejo biológico muy específico.

Beto
Lo fascinante es cómo ese proceso de depuración está escalonado a través de diferentes escalas. El nivel de ruido dicta las restricciones físicas que la red se ve forzada a aprender.

Alicia
¿Cómo es eso?

Beto
Pues cuando el modelo observa coordenadas muy ruidosas y fuertemente mezcladas, tiene que ignorar los detalles locales y averiguar la topología global a gran escala del complejo.

Alicia
Solo la forma aproximada.

Beto
Exacto. Y conforme el nivel de ruido baja, su foco cambia. En niveles bajos de ruido, se obsesiona con los detalles finos, perfeccionando la estereoquímica local y las geometrías de enlace.

Alicia
Y para quien nos escucha, el impacto biológico práctico de este cambio a difusión es enorme. AlphaFold 3 maneja la complejidad desordenada de compuestos químicos generales sin necesitar las penalizaciones estereoquímicas artificiales y muy afinadas que atormentaban a los modelos antiguos.

Beto
Correcto. Las penalizaciones antiguas eran muy rígidas.

Alicia
Sí, AlphaFold 2 tenía que ser explícitamente penalizado matemáticamente durante el entrenamiento si generaba un enlace que rompía las reglas de la química. AlphaFold 3 aprende desde abajo hacia arriba. Al depurar coordenadas crudas, trata un aminoácido estándar y una molécula pequeña farmacológica extraña exactamente igual: son coordenadas físicas a resolver.

Beto
Al evitar esas parametrizaciones rígidas basadas en torsiones, acomoda de manera fluida componentes químicos arbitrarios. No está atado a un diccionario predefinido de partes moleculares. Y de hecho vemos que este enfoque físico rinde dramáticamente cuando se lo compara con herramientas de docking antiguas y especializadas.

Alicia
Entremos en esos benchmarks. El artículo compara AlphaFold 3 contra el conjunto de datos Post‑Buster, enfocándose específicamente en 428 estructuras proteína‑ligando publicadas en el Protein Data Bank en 2021 o después.

Beto
Ese corte de 2021 es crítico.

Alicia
Exacto. Para prevenir filtrado de datos, asegurando que el modelo esté prediciendo estructuras novedosas en lugar de simplemente regurgitar datos de entrenamiento.

Beto
El panorama competitivo del docking ha estado dominado por herramientas clásicas como Vina o Gold. Sin embargo, esas herramientas clásicas dependen mucho de información privilegiada.

Alicia
Necesitan una ventaja inicial.

Beto
Sí. Se les alimenta con la estructura conocida y resuelta de la proteína objetivo, o al menos con las coordenadas específicas del bolsillo de unión. Su único trabajo es calcular cómo encaja el ligando en ese espacio predefinido.

Alicia
Lo cual es bastante artificial.

Beto
Demasiado. Y en un pipeline real de descubrimiento de fármacos, contar con esa estructura perfecta es un lujo que rara vez tienes.

Alicia
Pero AlphaFold 3 ejecuta un verdadero docking a ciegas. Recibe la secuencia de la proteína y la cadena SMILES del ligando, y tiene que plegar la proteína y colocar el ligando simultáneamente.

Beto
Sí.

Alicia
A pesar de la falta de entrada estructural privilegiada, AlphaFold 3 supera con creces a Vina. También aplasta a recientes herramientas de docking a ciegas basadas en aprendizaje profundo como RoseTTAFold2NA y otros.

Beto
La naturaleza generalista de la arquitectura es innegable a través de los conjuntos de datos. Al predecir interacciones proteína‑ácido nucleico, supera a RoseTTAFold2NA. Logra un rendimiento promedio mayor que las mejores presentaciones de IA en la reciente competencia CASP/CASP15 para objetivos de ARN.

Alicia
Vaya.

Beto
Y para interacciones proteína‑proteína, específicamente complejos anticuerpo‑antígeno, muestra mejoras masivas sobre AlphaFold 2.3.

Alicia
Aquí es donde se pone realmente interesante. Mirar las tasas brutas de éxito es una cosa, pero las estructuras específicas que produce este modelo destacan la escala de los cálculos. Dos ejemplos en las figuras suplementarias resaltan.

Beto
Vamos a escucharlos.

Alicia
Primero, la proteína Spike del coronavirus humano OC‑43. Hablamos de un complejo enorme de 4.665 residuos. Está fuertemente glicosilada, y el modelo la predice unida por anticuerpos neutralizantes.

Beto
Predice toda la masa del ensamblaje, incluyendo las complejas cadenas de carbohidratos y la respuesta del sistema inmune en una sola pasada.

Alicia
Simplemente increíble.

Beto
El segundo ejemplo notable es un regulador transcripcional de la familia CRP/FNR bacteriana. AlphaFold 3 predice correctamente la estructura proteica ligada a una molécula de ADN de doble cadena, mientras coloca simultáneamente un ligando cíclico GMP en su bolsillo de unión correcto.

Alicia
Ves proteína‑ADN y proteína‑ligando modeladas perfectamente al unísono. La coordinación requerida para poner todas esas posiciones atómicas bien sin choques físicos severos es un testamento al proceso de depurado multiescala.

Beto
Realmente lo es.

Alicia
Si un investigador farmacéutico puede modelar con precisión cómo una proteína objetivo interactúa con ADN, mientras visualiza simultáneamente la colocación exacta de una posible molécula terapéutica, elimina una enorme cantidad de fricción del pipeline de descubrimiento.

Beto
Lo hace. Pero apoyarse en un modelo generativo de difusión introduce nuevas clases de errores que no estaban presentes en arquitecturas previas. El más prominente es la alucinación de estructura en regiones intrínsecamente desordenadas.

Alicia
Claro. Si estás familiarizado con la IA generativa, sabes que le cuesta el concepto de la nada. En biología estructural, muchas proteínas tienen largas colas o bucles no estructurados que no adoptan una forma 3D fija a menos que interactúen con un compañero de unión.

Beto
Exacto. AlphaFold 2 era en realidad bastante bueno representando esto: generaba bucles extendidos tipo cinta indicando desorden.

Alicia
Pero la difusión funciona de manera diferente.

Beto
Correcto. El módulo de difusión crudo en AlphaFold 3 quiere naturalmente empaquetar los átomos de forma ordenada, creando estructuras densas y plausibles que son completamente ficticias.

Alicia
¿Y cómo lo arreglaron?

Beto
Para contrarrestarlo, los investigadores emplearon un método llamado cross‑distillation (destilación cruzada). Enriquecieron los datos de entrenamiento de AlphaFold 3 con predicciones estructurales generadas por la versión anterior, AlphaFold 2.3.

Alicia
El modelo antiguo.

Beto
Sí, como el modelo anterior producía de forma fiable esos bucles extendidos en regiones no estructuradas, usaron sus salidas para enseñar al nuevo modelo de difusión a imitar ese comportamiento específico, lo que redujo significativamente la tasa de alucinaciones.

Alicia
Espera: si AlphaFold 3 es fundamentalmente una arquitectura superior que entiende mejor la física del emplazamiento atómico, ¿no es contradictorio usar el modelo antiguo e inferior para entrenarlo? ¿Cómo enseña la destilación cruzada selectivamente sobre los bucles desordenados sin transferir las inexactitudes del modelo antiguo en ensamblajes complejos?

Beto
Es una gran pregunta. Se reduce a la mezcla de los datos de entrenamiento. La red se entrena con una mezcla de estructuras experimentales de alta calidad del PDB y las predicciones destiladas.

Alicia
Bien, una mezcla.

Beto
Exacto. Los datos experimentales anclan al modelo en una química estereoquímica precisa y de alta resolución para dominios plegados, mientras que los datos destilados proporcionan una señal de aprendizaje fuerte para las vastas regiones flexibles que a menudo están invisibles o faltan en los archivos experimentales del PDB. Es un parche pragmático para el sesgo generativo de la difusión.

Alicia
Lo que naturalmente conduce a la pregunta de la fiabilidad. Si el modelo está parcheando sus sesgos generativos, ¿cómo evaluamos nuestra confianza en una predicción dada?

Beto
El equipo utiliza tres métricas de confianza principales: la puntuación pLDDT predice la precisión local de átomos individuales; la PAE (Predicted Aligned Error) evalúa la confianza en las posiciones relativas de diferentes dominios; y una nueva para los complejos multi‑componente masivos que AlphaFold 3 apunta: la PDE, o matriz de error de distancia. La PDE predice específicamente el error en la distancia entre cualquier par de átomos en todo el complejo. Esto es crucial al evaluar si un ligando está realmente acoplado o simplemente flotando cerca.

Alicia
Pero entrenar esas métricas de confianza presenta un desafío matemático único en un marco de difusión. En AlphaFold 2, el modelo predecía la estructura completa de una vez, así que durante el entrenamiento podías comparar fácilmente la salida final con la verdad de referencia y entrenar la cabeza de confianza basada en ese delta. Pero el entrenamiento por difusión solo optimiza un paso aislado de la trayectoria de depuración.

Beto
Para resolver esto implementaron un procedimiento de múltiples rollouts durante el entrenamiento. No podían retropropagar a través de un rollout de la dinámica de Langevin de 1000 pasos por limitaciones de memoria. Así que ocasionalmente dejaron que el modelo ejecutara una versión rápida y de grano grueso de cuatro pasos de la generación de estructura.

Alicia
Muy ingenioso.

Beto
Sí. Toman esa estructura final predicha rápidamente y la comparan con la verdad de referencia y usan esa comparación únicamente para calibrar las cabezas pLDDT, PAE y PDE. Esto asegura que las puntuaciones de confianza reflejen la fiabilidad de la forma 3D final, no solo de un paso aislado de depuración.

Alicia
Es una solución de ingeniería muy elegante.

Pero parte de analizar críticamente este artículo requiere mirar dónde la arquitectura todavía falla. La difusión multiescala elimina en gran medida la necesidad de reglas rígidas, pero introduce peculiaridades estereoquímicas distintas. La tasa de violación de quiralidad es una enorme. El artículo señala una tasa de violación del 4,4 % en el benchmark PoseBuster.

Beto
La quiralidad es un concepto notoriamente difícil para modelos de difusión basados en coordenadas. Muchas biomoléculas existen en formas levógiras o dextrógiras; una estructura en espejo a menudo tiene exactamente las mismas distancias y ángulos locales que la correcta, convirtiéndose en un mínimo local cómodo en el paisaje energético.

Alicia
Se ve bien para el motor físico, aunque biológicamente esté invertida.

Beto
Precisamente. Así que incluso cuando AlphaFold 3 recibe explícitamente las entradas quirales correctas, el proceso espacial de depuración ocasionalmente cae en la conformación espejada.

Alicia
Cuando un centro quiral invertido puede convertir un fármaco terapéutico en una toxina, una tasa de error del 4,4 % es una realidad dura con la que los investigadores deben contar. Y los desafíos espaciales escalan con el tamaño del complejo. El artículo detalla problemas significativos con choques atómicos y estructuras masivas.

Beto
El modelo tiene problemas con solapamientos espaciales al generar ensamblajes proteína‑ácido nucleico que exceden 100 nucleótidos y 2.000 residuos. También se ve esto en casos extremos con grandes complejos homoméricos formados por múltiples cadenas proteicas idénticas, donde cadenas enteras a veces se generan ocupando exactamente el mismo espacio físico.

Alicia
Fusionadas entre sí.

Beto
Exacto. Aunque usan penalizaciones de ranking para filtrar a los peores durante la inferencia, el módulo de difusión subyacente todavía los genera.

Alicia
Eso pinta una imagen clara: cuanto mayor el sistema, mayor la probabilidad de que el proceso de difusión pliegue el espacio de coordenadas sobre sí mismo.

Pero más allá de los choques espaciales y la quiralidad, existe una limitación mucho más amplia relativa a cómo el modelo interpreta estados biológicos.

Beto
Esto plantea una pregunta importante sobre la naturaleza de los datos que consumen estos modelos. AlphaFold 3 predice una instantánea estática de alta resolución. Pero las moléculas en una célula son un conjunto dinámico. Respiran, se desplazan y alteran radicalmente su conformación dependiendo de sus socios de unión y del entorno.

Alicia
El artículo lo subraya explícitamente con una enzima llamada una ligasa E3 ubiquitina. En un entorno celular natural, esta ligasa yace en una conformación abierta cuando está vacía, el estado apo. Cuando se une a su objetivo, se cierra en una conformación ligada, el estado holo. Pero AlphaFold 3 falla completamente en capturar esa flexibilidad dinámica.

Beto
Lo hace.

Alicia
Ya sea que le pidas predecir la estructura apo vacía o la holo ligada, casi exclusivamente predice la conformación cerrada.

Beto
Es completamente ciega al estado abierto. Esto probablemente sea un artefacto de los datos de entrenamiento. El PDB está fuertemente sesgado hacia estados cristalizados ligados porque suelen ser más estables y más fáciles de capturar experimentalmente. Además, el proceso de difusión favorece naturalmente conformaciones compactas y de menor energía.

Alicia
Es un doble golpe de sesgo.

Beto
Sí. La combinación del sesgo de la base de datos y la preferencia arquitectónica significa que el modelo lucha por representar estados transitorios o abiertos. Los investigadores todavía necesitan métodos experimentales o simulaciones profundas de dinámica molecular para entender el paisaje conformacional completo de estas máquinas.

Alicia
¿Qué implica todo esto?

Si sintetizamos la arquitectura, los benchmarks y las limitaciones, AlphaFold 3 es fundamentalmente un ariete contra los silos de la biología computacional. Al abandonar algoritmos específicos de dominio en favor de un marco unificado de difusión, logra mapear la enorme diversidad de la química biológica, desde complejos extensos de ácidos nucleicos hasta el acoplamiento de pequeñas moléculas, todo en una sola pasada. Cambia la rigidez estereoquímica absoluta de los modelos antiguos por un enfoque físico y fluido del posicionamiento atómico.

Beto
La precisión que alcanza a través de un espacio químico tan vasto es algo sin precedentes para un único modelo generalista.

Conectándolo con el panorama más amplio, representa un cambio fundamental en cómo abordamos la regulación celular y el diseño terapéutico racional. Nos estamos moviendo hacia un paradigma donde modelar el entorno multicomponente completo de un objetivo farmacológico es un cálculo de base, no una búsqueda experimental de años.

Alicia
Y eso nos deja con un pensamiento final mientras digieres esta investigación. Ahora tenemos un marco unificado que puede predecir rápidamente la estructura física estática de casi cualquier combinación molecular en el cuerpo humano. Tenemos la instantánea de alta resolución de la cerradura y la llave, pero la biología es movimiento. A medida que la capacidad de cómputo escala y los modelos de difusión evolucionan, la próxima frontera no es solo generar coordenadas estáticas, sino predecir la dimensión temporal.

Imagina una arquitectura que no solo entregue un archivo PDB, sino que genere una simulación dinámica totalmente parametrizada de los engranajes moleculares girando, flexionándose e interactuando a lo largo de la vida de una célula. Cuando transicionemos de la predicción estática a la simulación molecular temporal en tiempo real, ¿cómo alterará eso nuestro enfoque fundamental para diseñar la maquinaria de la vida?

Gracias por acompañarnos en este deep dive sobre el material fuente. Sigue cuestionando, sigue explorando y sigue aprendiendo. Nos vemos la próxima vez.

LLMs en Bioinformática

Este estudio explora la integración de los Modelos de Lenguaje de Gran Tamaño (LLM) en el campo de la bioinformática, destacando su capacidad para analizar y generar datos biológicos complejos. Los investigadores clasifican estos modelos en arquitecturas de solo codificador, solo decodificador y codificador-decodificador, explicando cómo cada una se adapta a tareas específicas como la predicción de la estructura de proteínas o el análisis de secuencias genómicas. Al revisar hitos como AlphaFold y DNABERT, el texto demuestra cómo la IA está transformando nuestra comprensión del ADN, el ARN, las proteínas y la transcriptómica unicelular. A pesar de este progreso, los autores identifican obstáculos importantes, como la escasez de datos, los altos costos computacionales y la naturaleza de "caja negra" de los modelos de aprendizaje profundo. El texto concluye abogando por el aprendizaje multimodal y los modelos híbridos de IA para cerrar la brecha entre la investigación computacional y las aplicaciones clínicas. En general, el documento proporciona una hoja de ruta integral para aprovechar los modelos básicos para avanzar en la medicina de precisión y la biología de sistemas.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "Large Language Models in Bioinformatics: A Survey", por Zhenyu Wang y colegas. Publicado el 1 de Marzo de 2026.

El resumen, la transcripción, la traducción, y las voces, fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

Escúchalo aquí, mientras lees la transcripción (abajo).

O escúchalo en Spotify.

---

Resumen

Beto
Imagina por un segundo que la inteligencia artificial no solo entendiera los idiomas que hablamos.

Alicia
Correcto.

Beto
Imagina que no solo escribiera correos por ti o tradujera francés a inglés. ¿Pero qué pasaría si en realidad pudiera leer con fluidez, traducir e incluso escribir el código fundamental de la vida misma?

Alicia
Te lo puedes imaginar.

Beto
Sí, estamos hablando del lenguaje biológico real que está operando dentro de tus células ahora mismo.

Alicia
Es un salto conceptual enorme. Estamos pasando de una era de IA que entiende texto humano a una era de IA que puede leer y reescribir activamente los planos de los organismos vivos.

Beto
Y esa es exactamente nuestra misión para hoy. Bienvenidos a un nuevo análisis profundo. Estamos explorando una encuesta exhaustiva y masiva de 2025 titulada “Large Language Models in Bioinformatics”.

Alicia
Es un paper fantástico.

Beto
De verdad que lo es. Proviene de la colaboración de mentes destacadas de la Chinese University of Hong Kong, Peking University y varias otras instituciones líderes. Nuestro objetivo hoy es darte un atajo a la vanguardia de cómo los modelos de lenguaje grande, o LLMs, están revolucionando por completo la forma en que analizamos ADN, ARN, proteínas e incluso células individuales.

Alicia
Para entender de verdad la magnitud de lo que estos investigadores han expuesto, tenemos que establecer de inmediato una diferencia crucial.

Beto
Cuéntanos.

Alicia
Los datos biológicos son muy distintos al texto que lees en Internet.

Beto
Correcto. Porque una IA entrenada en texto de Internet se apoya en estructuras de oración reconocibles.

Alicia
Exacto. Usa puntuación, gramática, sintaxis. Pero las secuencias biológicas, esas interminables cadenas de aminoácidos o nucleótidos, son altamente variables.

Beto
No tienen puntos ni comas.

Alicia
No, no las tienen. Son increíblemente específicas y están llenas de reglas tridimensionales complejas. No puedes simplemente meter eso en una IA diseñada para texto y esperar que funcione. Requiere arquitecturas de IA totalmente nuevas para descifrarlas.

Beto
Bien, desmontemos esto porque la encuesta empieza desglosando esta gramática de la vida en tres arquitecturas de IA distintas. Si los datos biológicos son tan distintos de, digamos, una página de Wikipedia, ¿cómo construyen realmente los investigadores una IA para leerlos?

Alicia
Mecanísticamente, la encuesta categoriza estos modelos de bioinformática en tres grandes paradigmas:

• modelos solo encoder (codificador),
• solo decoder (decodificador), y
• encoder-decoder (codificador-decodificador).

Beto
Vamos a verlos uno por uno.

LLMs en BioInformática

Alicia
Empecemos con la arquitectura solo-encoder. Un ejemplo destacado en la encuesta es un modelo llamado ProteinBERT. La característica definitoria de un modelo solo encoder es que lee todo el contexto biológico bidireccionalmente.

Beto
Es decir, en ambas direcciones a la vez.

Alicia
Exacto. Observa la secuencia completa de izquierda a derecha y de derecha a izquierda simultáneamente.

Beto
Necesitamos una analogía: suena como hojear un párrafo entero a la vez para captar la vibra general en lugar de leer palabra por palabra.

Alicia
Es una forma perfecta de verlo, porque toma la imagen completa de una vez. Es fantástico para el aprendizaje de representaciones.

Beto
Obtiene el contexto.

Alicia
Exactamente. Captura las ricas dependencias contextuales de una secuencia de golpe. Eso lo hace brillante para tareas como la clasificación de secuencias o la identificación de un elemento regulador específico dentro de una enorme hebra de ADN.

Beto
Espera, si un modelo solo encoder ve la imagen completa de forma brillante, ¿por qué los investigadores señalan sus limitaciones en la encuesta? ¿No sería ver todo lo que hace mejor escritor si quisieras generar una nueva secuencia?

Alicia
Podrías pensarlo, pero en realidad tiene el efecto opuesto.

Beto
¿En serio?

Alicia
Sí. Porque está diseñado para procesarlo todo de un solo trago, carece del mecanismo subyacente para construir algo nuevo paso a paso. Si quieres generar una proteína completamente nueva que nunca haya existido en la naturaleza, necesitas una IA que pueda escribirla secuencialmente.

Beto
Esto nos lleva al segundo paradigma: los modelos solo-decoder.

Alicia
Precisamente.

Beto
La encuesta los etiqueta como autorregresivos. Veo que ese término se usa mucho en IA, pero ¿qué significa realmente en el contexto de la biología?

Alicia
Autorregresivo simplemente significa que el modelo genera su salida token por token, basándose completamente en la información generada previamente.

Beto
¿Como predecir la siguiente palabra?

Alicia
Sí. Piénsalo como la función de autocompletar en tu smartphone. Cuando escribes un mensaje, el teléfono adivina la palabra más probable siguiente y luego la siguiente para construir una frase.

Beto
Ah, claro.

Alicia
Un modelo solo decoder hace exactamente lo mismo, pero en lugar de palabras en inglés está prediciendo el siguiente aminoácido o el siguiente nucleótido para construir una nueva secuencia biológica.

Beto
Es literalmente un autocompletar biológico. Eso lo hace increíble para escribir textos completamente nuevos desde cero.

Alicia
Es insuperable en tareas generativas. La encuesta destaca varios modelos solo decoder, como ProGen2 y Evo, que hacen precisamente eso. Sin embargo, y aquí está la trampa: su dependencia de esta atención unidireccional paso a paso implica un enorme punto ciego.

Beto
Como solo pueden mirar hacia atrás, ...

Alicia
... les cuesta captar completamente las dependencias bidireccionales de largo alcance. En un sistema vivo, una reacción fisiológica que ocurre en un extremo de una proteína masiva puede depender mucho de una estructura situada en el otro extremo.

Beto
Un autocompletar tiene problemas para seguir la historia si el inicio del libro está 50 páginas atrás.

Alicia
Exacto. Olvida el contexto.

Beto
Así que un modelo solo-encoder lee la imagen completa de manera espléndida pero no puede escribir. Y un modelo solo-decoder es un escritor fantástico, pero le cuesta recordar el contexto a largo plazo de la historia.

Alicia
Lo entiendes muy bien.

Beto
Eso deja la tercera arquitectura que los investigadores identificaron: los modelos encoder-decoder.

Alicia
Están diseñados para tareas de secuencia a secuencia. Toman lo mejor de ambos mundos.

Beto
Entonces combinan las dos cosas.

Alicia
Correcto. Leen el contexto entero bidireccionalmente como un encoder y luego usan un decoder para traducir esa comprensión en una nueva salida. El caso de uso principal aquí es traducir una modalidad biológica a otra, como el modelo RoseTTAFold.

Beto
Mirando los datos de la encuesta, hay una gran pega en ese enfoque “lo mejor de ambos mundos” ...

Alicia
... el coste computacional.

Beto
Sí, estaba mirando las Tablas 2 y 3 del estudio. Esas tablas desglosan el coste de cómputo para estas diferentes arquitecturas, y los números son, sinceramente, difíciles de asimilar.

Alicia
Son asombrosos.

Beto
Para estos modelos encoder-decoder requieren un promedio de alrededor de 81 gigabytes de memoria gráfica por dispositivo.

Alicia
Lo cual es enorme.

Beto
Y tardan un promedio de 40 días solo para entrenar. Mi portátil se calentaría solo con abrir una docena de pestañas.

Alicia
Lo fascinante aquí es la enorme disparidad en los recursos requeridos según la arquitectura que elijas. Mencionaste el promedio de 40 días, pero los extremos son aún más salvajes.

Beto
Sí, la tabla muestra un modelo solo decoder llamado HyenaDNA que se entrenó en unos 80 minutos en una sola GPU.

Alicia
Muy manejable.

Beto
Pero luego miras un modelo encoder-decoder como xTriMOPGLM. Los investigadores anotan que tiene 100.000 millones de parámetros. Según sus datos, tardó alrededor de 150 días en entrenar, ...

Alicia
... y eso corriendo en 96 GPUs simultáneamente.

Beto
Es una cantidad de potencia de cómputo simplemente increíble.

Alicia
Lo es. Y ese coste computacional es un cuello de botella masivo para todo el campo. La complejidad computacional limita fuertemente la accesibilidad.

Beto
Claro, porque no todo el mundo tiene 96 GPUs de alta gama por ahí.

Alicia
Exacto. Si eres un grupo de investigación universitario o una startup biotecnológica pequeña con infraestructura limitada, desarrollar o incluso utilizar estos modelos encoder-decoder de última generación es increíblemente difícil.

Beto
Te deja fuera, por el precio.

Alicia
Lo hace. Obliga a la industria a buscar constantemente métodos más eficientes de compresión de modelos solo para mantener la ciencia avanzando sin necesitar una supercomputadora para cada experimento.

Beto
Es una barrera enorme, para poder entrar. Pero a pesar de ese coste, el progreso detallado en este paper es innegable.

Alicia
Absolutamente.

Beto
La encuesta incluye esta figura visual asombrosa, la figura 1. Traza todos los hitos principales de estos LLMs en los últimos años. Y mirando la gráfica circular, un contundente 43% de esos hitos de IA están enfocados puramente en proteínas.

Alicia
Casi la mitad del campo.

Beto
Sí. Ocupan la porción más grande de la tarta con diferencia.

Alicia
¿Por qué tanto del mundo de la IA está obsesionado con las proteínas?

Beto
Porque las proteínas son las máquinas físicas de la naturaleza. Hacen casi todo el trabajo pesado en tu cuerpo: digerir la comida, luchar contra virus, etc. Predecir su estructura tridimensional a partir de una secuencia plana de aminoácidos ha sido históricamente uno de los problemas más difíciles en biología. La función de una proteína está totalmente dictada por cómo se pliega en una estructura 3D.

Alicia
La forma dicta la función.

Beto
Correcto. Si no conoces la forma, no sabes qué hace.

Alicia
Y la encuesta señala modelos como AlphaFold 2 como el momento decisivo, ¿verdad? Alcanzar precisión a nivel atómico en la predicción de esas estructuras 3D.

Beto
Cambió todo.

Alicia
Pero el paper también menciona AlphaFold 3.

Beto
¿Cómo empuja eso el límite aún más?

Alicia
AlphaFold 3 va más allá de mirar una sola proteína en aislamiento. Ha avanzado hasta hacer predicciones a resolución atómica para complejos biomoleculares enteros.

Beto
¿Así que mira el sistema completo?

Alicia
Sí. Eso significa que no solo predice la forma de una máquina, sino cómo esa máquina interactúa físicamente con hebras de ADN o cómo se une con ligandos.

Beto
Para quien no recuerde, ¿qué es un ligando?

Alicia
Piensa en un ligando como un mensajero químico altamente específico. Si la proteína es una cerradura compleja, el ligando es la llave que encaja perfectamente para desencadenar una reacción biológica.

Beto
Ah, eso tiene sentido.

Alicia
Y predecir exactamente cómo un ligando encaja en una proteína es la base de la medicina moderna. Si una IA puede predecir esa interacción con precisión, puedes diseñar un fármaco en un ordenador en lugar de pasar años probando químicos al azar en un laboratorio.

Beto
Es una locura. Acabas de diseñar la llave perfecta para la cerradura.

Alicia
Exacto.

Beto
Pero predecir lo que la naturaleza ya construyó es solo el primer paso. La parte de la encuesta que realmente parece ciencia ficción es el enfoque en el diseño de novo. ¿Puedes explicar qué significa “de novo” en este contexto y qué modelos lo están haciendo?

Alicia
De novo simplemente significa desde cero. Ya no pedimos a la IA que prediga la forma de una proteína que ya existe en tu cuerpo. Le pedimos a esos modelos generativos solo decoder que inventen proteínas enteramente nuevas que la evolución nunca produjo.

Beto
Inventando biología.

Alicia
Sí. La encuesta detalla un modelo llamado ProGen2. Tiene 6.4 mil millones de parámetros y fue entrenado con más de mil millones de proteínas naturales.

Beto
Mil millones.

Alicia
Aprendiendo las reglas subyacentes de cómo encajan los aminoácidos, puede generar secuencias proteicas altamente funcionales en familias diversas sin necesidad de ajuste fino adicional.

Beto
Los investigadores también mencionan ESM-3, que adopta un enfoque multimodal, ingiriendo secuencia, estructura y datos funcionales para generar estas proteínas novedosas.

Alicia
Es una tecnología increíble.

Beto
Pero para aterrizarlo para el oyente: ¿por qué importarían las proteínas generadas desde cero en la vida real?

Alicia
Importa por las aplicaciones clínicas inmediatas. Si podemos diseñar nuevas proteínas desde cero, podemos diseñar anticuerpos personalizados con menor propensión a agregarse.

Beto
Es decir, que no se aglomeren.

Alicia
Sí. Eso los hace mucho más seguros y efectivos para los pacientes. Podemos diseñar fármacos muy específicos que se unan exactamente a proteínas malfoldadas responsables de enfermedades neurodegenerativas. Estamos pasando de observar biología a ingenierizarla para medicina de precisión.

Beto
Aquí es donde se pone realmente interesante. Si las proteínas son las máquinas 3D que hacen el trabajo en la célula, ¿de dónde obtienen sus planos?

Alicia
Del ADN.

Beto
Exacto. Y según la gráfica de la encuesta, el ADN y la genómica representan la segunda porción más grande, el 32% de los hitos encuestados.

Alicia
Entender el código genómico es la base de todo lo demás. Los modelos de IA en este espacio no solo leen una larga cadena de letras; predicen el impacto de mutaciones genéticas antes de que se manifiesten como enfermedades.

Beto
Wow.

Alicia
Identifican secuencias regulatorias ocultas que controlan cómo y cuándo se enciende o apaga un gen.

Beto
La encuesta detalla algunos pesos pesados en esta categoría. Hay una colección de modelos basados en la arquitectura BERT, como DNABERT y su sucesor DNABERT 2.

Alicia
Esos son grandes ejemplos.

Beto
Los investigadores señalan que son encoders bidireccionales pre-entrenados. Miran el contexto nucleotídico aguas arriba y aguas abajo para predecir cosas como regiones promotoras. ¿Qué es una región promotora, hablando prácticamente?

Alicia
Si un gen es un capítulo en un manual de instrucciones, una región promotora es como un enorme letrero de neón “EMPIEZA A LEER AQUÍ” colocado justo antes de que comience el capítulo.

Beto
Me gusta esa analogía.

Alicia
Le dice a la maquinaria celular exactamente dónde engancharse para empezar a copiar las instrucciones. Modelos como DinaBERT son increíblemente hábiles para encontrar estos letreros ocultos dentro de miles de millones de letras de código genético.

Beto
Eso hace que la analogía del skim-reading del encoder encaje perfectamente: está escaneando todo el genoma buscando esos letreros de neón.

Alicia
Exacto.

Beto
Pero al igual que con las proteínas, la encuesta enfatiza que el salto de entender ADN a generarlo es profundo.

Alicia
De hecho, estamos viendo modelos capaces de generar secuencias genómicas biológicamente funcionales desde cero.

Beto
Modelos como megaDNA y The Nucleotide Transformer.

Alicia
Sí, y la encuesta destaca un modelo fundacional innovador llamado Evo.

Beto
Evo.

Alicia
Lo que hace a Evo tan significativo es la escala a la que opera. Predice y genera secuencias que abarcan ADN, ARN y proteínas, yendo desde un nivel molecular pequeño hasta la escala de genoma entero.

Beto
Genera un genoma completo.

Alicia
Representa un enfoque verdaderamente holístico para el diseño biológico.

Beto
Es alucinante pensar en generar un genoma entero. Pero para obtener la imagen completa de cómo funciona una célula, tenemos que hacer zoom todavía más.

Alicia
Sí, lo tenemos que hacer.

Beto
Las porciones restantes de la gráfica son ARN con 12% y análisis de célula única con 13%. Empecemos por el ARN.

Alicia
El ARN es fascinante.

Beto
En la secundaria aprendí que el ARN era solo un mensajero pasivo: copia el plano del ADN y lo lleva a los constructores de proteínas. Pero la encuesta deja claro que el ARN es mucho más complejo que eso.

Alicia
Mucho más. Las moléculas de ARN se pliegan en estructuras secundarias y terciarias increíblemente intrincadas. Actúan como catalizadores activos. Sirven como sensores de metabolitos y regulan dinámicamente cómo se expresan los genes.

Beto
Están ocupadísimos.

Alicia
El gran reto de la IA aquí es algo que los investigadores llaman "flexibilidad conformacional".

Beto
Flexibilidad conformacional: significa que cambia físicamente su forma.

Alicia
Sí. Si el ADN es un manual de instrucciones rígido y encuadernado, el ARN es como un manual de origami que se pliega y vuelve a plegar en una herramienta funcional mientras intentas leerlo.

Beto
Eso suena imposible de leer.

Alicia
Lo es; es extremadamente difícil. Porque se está remodelando constantemente, tenemos una grave escasez de datos experimentales 3D de alta calidad para entrenar estos modelos de IA.

Beto
Así que el origami de la vida se mueve sin cesar, lo que hace la modelización tradicional una pesadilla. Pero la encuesta señala que la IA está alcanzando terreno. Modelos como RiNALMo están abordando la predicción de estructuras secundarias. Y para esas esquivas estructuras 3D, se destacan modelos como NuFold y RhoFold+ que están empezando a ofrecer predicciones de extremo a extremo directamente desde las secuencias de ARN, a pesar de la falta de datos de entrenamiento.

Alicia
Los modelos también están cartografiando cómo el ARN interactúa con otros componentes. El ARN interactúa con otras hebras de ARN, con proteínas y con pequeñas moléculas.

Beto
Y cuando esas interacciones salen mal, ...

Alicia
... a menudo llevan a enfermedades graves, incluidos varios tipos de cáncer. Por eso mapearlas con precisión con IA es una prioridad enorme para la medicina.

Beto
Una de las cosas más accesibles de toda la encuesta fue un modelo llamado RNA GPT.

Alicia
Oh, ese es brillante.

Beto
Lo describen literalmente como un modelo multimodal tipo chat para el descubrimiento de ARN. Puedes subir una secuencia de ARN y aprovecha la extensa literatura científica y modelos de lenguaje para ofrecer respuestas conversacionales concisas sobre lo que hace esa secuencia específica.

Alicia
Es esencialmente ChatGPT, pero estás conversando con una molécula en vez de con un chatbot.

Beto
Me encanta eso. Lo que nos lleva al dominio final e increíblemente complejo cubierto en la encuesta: el análisis de célula única, a menudo referido como scRNA.

Alicia
Esta es un área vital de investigación.

Beto
Creo que necesitamos otra analogía porque “análisis de célula única” suena simple, pero la encuesta lo trata como un reto computacional masivo. ¿Qué significa realmente mirar datos a nivel de célula individual?

Alicia
Piensa en la secuenciación genética tradicional en masa, como hacer un batido de frutas. Si licúas un tejido entero en un batido, puedes saborear el sabor general. Más o menos sabes qué genes están activos en ese tejido. Pero no tienes ni idea del perfil exacto de sabor de una fresa concreta o de un arándano antes de licuarlo todo.

Beto
El análisis de célula única consiste en averiguar cómo sacar esa fresa exacta y analizarla por separado.

Alicia
Exacto. Mira la expresión génica precisa de una célula específica dentro de una población enorme de millones de células.

Beto
¿Por qué es tan importante esa resolución?

Alicia
Es fundamental. Si quieres entender cómo progresa una enfermedad compleja o por qué un pequeño grupo de células cancerosas desarrolla resistencia a la quimioterapia mientras las células circundantes mueren, tienes que mirar las fresas individuales. La secuenciación en masa lo perderá por completo.

Beto
Pero el volumen de datos que eso genera debe ser astronómico. Si rastreas la expresión de miles de genes en millones de células individuales separadas, cualquier ordenador normal se colapsaría.

Alicia
El volumen de datos es asombroso, que es precisamente por qué los pipelines tradicionales ya no dan abasto. Aquí es donde los LLMs entran para asumir la carga.

Beto
Necesitan la IA solo para procesar la magnitud misma.

Alicia
Exacto. La encuesta señala modelos que operan a escala masiva solo para manejar esto. Por ejemplo, un modelo llamado scFoundation cuenta con 100 millones de parámetros y fue preentrenado con más de 50 millones de perfiles transcriptómicos humanos de célula única.

Beto
¿50 millones?

Alicia
Tiene la capacidad de manejar aproximadamente 20.000 genes simultáneamente para predecir respuestas a fármacos y anotar automáticamente diferentes tipos celulares.

Beto
El aspecto de automatización por sí solo es un cambio radical.

Alicia
Realmente lo es.

Beto
La encuesta menciona otro modelo, GPTCellType, que usa las capacidades de GPT-4 para automatizar completamente el proceso de anotación de tipos celulares, ...

Alicia
... reemplazando métodos manuales tediosos y propensos a errores que los investigadores solían tardar meses en realizar a mano.

Beto
Entonces, ¿qué significa todo esto? Hemos recorrido estas increíbles arquitecturas de IA, la enorme potencia computacional requerida y cómo estos modelos se especializan para descifrar proteínas, ADN, ARN y células individuales. Pinta un cuadro de progreso imparable.

Alicia
Lo hace, pero debemos ser realistas.

Beto
Correcto. La encuesta dedica una parte importante de su conclusión a los obstáculos que enfrentamos ahora mismo.

Alicia
Las limitaciones son muy reales y provienen principalmente de los datos mismos.

Beto
¿Cómo es eso?

Alicia
A diferencia de Internet, que proporciona un corpus abundante y prácticamente infinito de texto para entrenar LLMs tradicionales, los datos biológicos son escasos.

Beto
Y son desordenados, ¿verdad?

Alicia
Muy desordenados. A menudo son ruidosos, pueden estar incompletos y, crucialmente, los datos que sí tenemos están fuertemente sesgados.

Beto
¿Sesgados hacia qué?

Alicia
Bueno, tenemos montañas de datos sobre humanos y ratones de laboratorio comunes, pero muy poca información sobre la vasta mayoría del resto del árbol de la vida.

Beto
Ah. Entonces un modelo puede ser brillante entendiendo biología humana, pero fracasa por completo al generalizar si se le pide analizar una secuencia novedosa de una bacteria de aguas profundas o una planta rara.

Alicia
Ese es un obstáculo importante. Además, los efectos de lote y el ruido experimental de diferentes laboratorios que toman medidas distintas confunden aún más a los modelos.

Beto
Porque los datos no están estandarizados.

Alicia
Exacto. Y como comentamos con los tiempos de entrenamiento de 40 días, la barrera computacional sigue siendo inmensa. Las secuencias biológicas son increíblemente largas; procesarlas dispara los requisitos de memoria, lo que hace muy difícil aplicar arquitecturas transformer estándar a datos a escala genómica completa.

Beto
Esto plantea una pregunta importante: ¿cómo superamos estas limitaciones?

Alicia
Si lo conectamos con el panorama general, los investigadores delinean tres direcciones claras de futuro para todo el campo de la bioinformática. La primera es el empuje hacia la integración multimodal.

Beto
Porque ahora mismo, como mostró la gráfica, la mayoría de estos modelos se entrenan en silos. Solo mirando ADN o solo proteínas. Pero una célula viva no funciona aisladamente así.

Alicia
Los sistemas biológicos exhiben interacciones altamente intrincadas a través de múltiples capas moleculares simultáneamente. El futuro requiere LLMs fundacionales que puedan ingerir y procesar ADN, ARN, estructuras proteicas y epigenética todos a la vez.

Beto
Necesitamos que vean el sistema completo.

Alicia
Necesitamos arquitecturas capaces de integrar datos heterogéneos para modelar correctamente estas dependencias moleculares a varias escalas.

Beto
La segunda dirección futura que proponen los investigadores son los modelos híbridos de IA. ¿Con qué están hibridando los LMs?

Alicia
Los combinan con modelos mecanísticos, como redes neuronales de grafos (GNNs) y modelado basado en restricciones.

Beto
¿Por qué hacerlo?

Alicia
El objetivo es introducir razonamiento biológico fundamental en el proceso de aprendizaje profundo. Ahora mismo, un LLM podría generar una secuencia de proteína que parezca matemáticamente probable, pero que sea físicamente imposible de plegarse en el mundo real.

Beto
Ha alucinado una proteína que viola las leyes de la física.

Alicia
Exacto. Al hibridar la IA, los investigadores se aseguran de que las predicciones del modelo obedezcan realmente las leyes físicas de la biología y los principios evolutivos.

Beto
Básicamente le dan a la IA un control de realidad contra las leyes físicas antes de que escupa una respuesta.

Alicia
Es una gran manera de decirlo.

Beto
Y la tercera dirección que la encuesta destaca es, posiblemente, la más crucial para todos nosotros: la aplicación clínica.

Alicia
Cerrar la brecha entre una herramienta de bioinformática fascinante y una aplicación biomédica real es un reto enorme.

Beto
Una cosa es que funcione en un ordenador; otra muy distinta ponerlo en un cuerpo humano.

Alicia
Precisamente. Antes de que cualquiera de estos modelos pueda impactar de verdad la atención sanitaria cotidiana o prescribir un fármaco generado a medida, requieren evaluación clínica rigurosa y un exhaustivo benchmark experimental en laboratorios húmedos para probar su seguridad y eficacia.

Beto
Es un viaje increíble. Para sintetizar todo lo que hemos hablado hoy: somos testigos de un cambio fundamental en la capacidad humana. Pasamos de una era de simplemente leer datos biológicos con secuenciadores tradicionales a hablar activamente con ellos, usando herramientas como RNA-GPT.

Alicia
Y en última instancia a generar vida desde cero usando IA.

Beto
La encuesta de 2025 deja muy claro que la intersección entre LLMs y bioinformática está desbloqueando el código de la vida más rápido de lo que nadie predijo.

Alicia
Es un momento emocionante para estar en el campo.

Beto
Lo que nos deja con un pensamiento provocador para que lo medites hoy: hemos visto que estos modelos generativos pueden diseñar proteínas de novo y sintetizar secuencias de ADN totalmente funcionales que nunca antes existieron. Si la IA puede generar ADN y secuencias proteicas biológicamente funcionales y totalmente nuevas que la evolución natural no ideó en miles de millones de años, ¿terminará la biología convirtiéndose en otro lenguaje de programación que podamos compilar y ejecutar a demanda?

Alicia
Es una pregunta profunda, y considerando el ritmo de estos modelos, es algo con lo que la comunidad científica debatirá durante la próxima década.

Beto
Algo para que lo pienses.

Muchas gracias por acompañarnos en esta inmersión profunda en el lenguaje de la vida. Nos vemos en la próxima. Sigue explorando.

AlphaGenome

AlphaGenome es un sofisticado modelo multimodal de aprendizaje profundo diseñado para decodificar el código regulador genético humano y murino mediante la predicción de datos genómicos funcionales a partir de secuencias de ADN. Procesa segmentos masivos de ADN de 1 Mb para generar predicciones de alta resolución en diversas categorías biológicas, como la expresión génica, los patrones de empalme y la accesibilidad de la cromatina. Al unificar el contexto de secuencias de largo alcance con la resolución de pares de bases, el modelo supera las desventajas tradicionales que anteriormente limitaban la genómica computacional. Una exhaustiva evaluación comparativa demuestra que AlphaGenome iguala o supera el rendimiento de las herramientas especializadas existentes en 25 de las 26 evaluaciones de predicción del efecto de las variantes. Este marco permite a los investigadores interpretar eficazmente cómo las mutaciones no codificantes influyen en los mecanismos moleculares y contribuyen a enfermedades complejas. En definitiva, el modelo proporciona una base de acceso abierto para la investigación genómica, agilizando la identificación de variaciones genéticas clínicamente relevantes.

Enlace al articulo cientifico, para aquellos interesados en profundizar en el tema: "Advancing regulatory variant effect prediction with AlphaGenome", por Žiga Avsec, y colegas. Publicado en Nature el 28 de Enero del 2026.

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Beto
Sabes, estaba viendo algunos números antes de que empezáramos. Y hay una estadística en biología que siempre me impacta. Pasamos tanto tiempo hablando de los genes.

Alicia
Hmm, los planos.

Beto
Exacto. Los planos de todo: músculos, enzimas, color de ojos. Nos obsesionamos con ellos. Pero si miras realmente el genoma humano, todo eso solo constituye, ¿qué?, el 2% de nuestro ADN.

Alicia
Es un número realmente humillante, ¿no? Deja el 98% del genoma sin explicación. Al menos en la imaginación popular.

Beto
Claro. Y durante tanto tiempo los libros de texto simplemente se encogían de hombros y lo llamaban "ADN basura".

Alicia
Lo cual se siente un poco despectivo para algo que ocupa casi todo el espacio en la célula. “Basura” fue definitivamente la palabra equivocada, y costó caro.

Beto
Entonces, ¿qué es entonces?

Alicia
Ahora sabemos que es básicamente el sistema operativo. Es la materia oscura del genoma. Contiene todo el código regulador, los interruptores, los diales, los atenuadores, que le dicen a ese 2% cuándo activarse, dónde activarse y cuánto producir.

Beto
Vale, así que si los genes son las bombillas, esta materia oscura es todo el cableado y el tablero de interruptores oculto en la pared.

Alicia
Es una analogía perfecta.

Y eso nos lleva a la inmersión de hoy, porque nos hemos vuelto realmente buenos leyendo las bombillas. Sabemos cuándo un gen está roto, pero leer ese tablero de interruptores ha sido el desafío central de la biología moderna.

Beto
Porque hay millones de interruptores.

Alicia
Millones, y pequeños errores tipográficos en esa región no codificante, quiero decir, un solo cambio de letra puede causar enfermedades devastadoras: leucemia, autismo.

Beto
Pero, ¿cómo encuentras el único error tipográfico culpable entre millones de otros que son totalmente inofensivos?

Alicia
Es como tratar de encontrar un cable roto en todo el edificio Empire State con una linterna.

Beto
Bueno, parece que alguien acaba de inventar un reflector. Estamos viendo un artículo que acaba de salir en Nature hace un par de días, el 28 de enero de 2026. El título es “Advancing regulatory variant effect prediction with AlphaGenome”. Y la afirmación aquí es bastante audaz. Dice que este nuevo modelo de IA básicamente resuelve un compromiso fundamental que había frenado la genómica durante años.

Alicia
Es un salto enorme. Todo esto trata sobre AlphaGenome, este nuevo modelo unificado que han desarrollado. Y para entender por qué es algo tan grande, tenemos que hablar de ese compromiso que mencionaste. Porque hasta ahora los investigadores estaban atrapados entre dos opciones bastante imperfectas.

Beto
Bueno, desempaquémoslo. ¿Cuál era el estado del arte antes de AlphaGenome?

Alicia
Bueno, era el problema clásico de resolución versus contexto. Por un lado, tenías modelos especializados. Piénsalos como un microscopio súper potente. Podían hacer zoom sobre un tramo muy pequeño de ADN, quizá 10,000 letras, y decirte con precisión de una sola base si algo estaba mal justo ahí.

Beto
Así que podían detectar un error tipográfico, pero no podían ver la frase en la que estaba.

Alicia
Exacto. Visión de túnel total. Eran ciegos al paisaje más amplio. No podían decirte si un interruptor regulador a 50,000 letras de distancia intentaba controlar ese gen.

Beto
Y la otra opción eran los modelos generalistas.

Alicia
Esos eran como cámaras satelitales. Podían ver tramos enormes de ADN, cientos de miles de letras. Podían mapear todas esas conexiones a distancia, pero tenían visión borrosa.

Beto
¿Borrosa, cómo? Como baja resolución.

Alicia
Exactamente, baja resolución. Procesaban datos en “papeleras” (o "tarros"), agrupando, digamos, 128 letras de ADN juntas en un solo píxel. Así que podían decirte: “oye, hay algo mal en este vecindario”, pero no podían señalar la casa exacta.

Beto
Así que quedabas atrapado: un microscopio que no veía el panorama completo, o un mapa satelital demasiado pixelado para ser útil en un diagnóstico.

Alicia
Ese era el dilema. Y aquí está el momento “ajá” con AlphaGenome. Simplemente se niega a comprometerse. Procesa una cantidad masiva de contexto: una megabase. Eso es un millón de letras de secuencia de ADN a la vez.

Beto
Un millón de letras. Eso es cien veces más que esos modelos especializados.

AlphaGenome. (a) Descripción general del modelo; (b) pre-entrenamiento; (c) destilación; (d, e) predicciones

Alicia
Es enorme. Pero, y esto es crucial, mantiene la resolución de una sola base. Te da la vista satelital de todo el continente, pero aún puedes hacer zoom hasta leer el número de la casa en el buzón.

Beto
Suena computacionalmente insano. Ya llegaremos a eso. Pero la biología no es solo una cadena de letras, ¿verdad? Es algo físico. Se pliega.

Alicia
Correcto. Y aquí es donde se vuelve como una navaja suiza. Es un modelo multimodal. No solo predice una cosa. Predice casi 6,000 características genómicas distintas al mismo tiempo.

Beto
6,000. ¿Qué tipo de características?

Alicia
Todo lo que un biólogo necesita. Predice la expresión génica: cuánto ARN se produce. Predice el splicing (empalme). El estado de la cromatina.

Beto
Rápida definición de estado de la cromatina.

Alicia
Piénsalo como accesibilidad. El ADN está enrollado alrededor de estos carretes de proteína. Si está demasiado apretado, el libro está cerrado. La maquinaria no puede leerlo. Si está suelto, el libro está abierto. AlphaGenome predice eso. Pero, honestamente, lo más impresionante es que predice la estructura 3D.

Beto
El plegamiento real del ADN.

Alicia
Sí. Dentro del núcleo, el ADN es una bola enmarañada de hilo. Un interruptor podría estar súper lejos de un gen si estiras el ADN en línea recta. Pero en ese enredo 3D pueden estar tocándose.

Beto
Y porque AlphaGenome mira esa ventana de un millón de letras, puede ver esos ciclos.

Alicia
Precisamente. De hecho, fíjate: el 99% de todas las conexiones conocidas entre potenciadores (enhancers) y genes ocurren dentro de esa ventana de una megabase. Así que al capturar ese alcance, captura el ciclo físico que conecta el interruptor con el gen. Está vinculando la geografía con la actividad.

Beto
Bien, tenemos un modelo que dice ver la imagen completa y los detalles mínimos. ¿Pero funciona? ¿O es el clásico “aprendiz de todo, maestro de nada”?

Alicia
Los datos dicen que es maestro de todo. Lo compararon con esos modelos súper especializados, los diseñados solo para splicing o solo para expresión. AlphaGenome igualó o superó a esos modelos en 25 de 26 evaluaciones.

Ejemplo de predicción y desempeño de resultados

Beto
Vaya. Casi una barrida total.

Alicia
Y para entender por qué esto importa para nosotros deberíamos mirar una enfermedad específica. El artículo destaca el "splicing" como una gran victoria.

Beto
¿El splicing? Eso es el proceso de edición, ¿no? Como editar una película.

Alicia
Esa es la mejor analogía. Sí. Un gen se copia en ARN y es como una cinta cruda. Tiene escenas que quieres, los exones, y escenas que necesitas cortar, los intrones. El splicing es cortar los intrones y pegar los exones para hacer la película final.

Beto
Y si estropeas un corte, la proteína sale sin sentido.

Alicia
Completo sinsentido.

Y AlphaGenome es increíblemente bueno detectando malos cortes. Miraron un gen llamado DLG1 (sección b de la siguiente figura). Los investigadores habían encontrado una variante en el tejido de una arteria tibial de un paciente. Solo una pequeña deleción de cuatro letras.

Beto
Cuatro letras entre millones. Parece nada.

Alicia
Parece nada. Un modelo generalista con visión borrosa probablemente la pasaría por alto completamente. Pero AlphaGenome la vio y predijo el mecanismo biológico exacto.

Beto
¿Qué fue eso?

Alicia
Esas letras faltantes hicieron que la maquinaria celular omitiera un sitio de empalme. Predijo que esa escena se quedaría en la sala de montaje sin cortarse.

Beto
¿Y coincidió con lo que pasaba en el paciente?

Alicia
Perfectamente. Coincidió con la caída observada en la cobertura de ARN.

AlphaGenome es un modelo de predicción del efecto de la variante de empalme SOTA.

Pero también puede hacer lo contrario: predecir cuando una mutación añade un corte donde no debería haberlo.

Beto
Un neo-sitio de empalme.

Alicia
Exacto. Hubo un caso con el gen COL6A2 (sección c de la figura anterior). Una variante creó un nuevo sitio de empalme, profundo dentro de un intrón, allá en ese territorio que antes llamábamos basura. Las herramientas especializadas suelen perderlo porque solo lo ven como ruido. AlphaGenome lo marcó correctamente como un nuevo sitio donante que destrozaría la proteína.

Beto
Está capturando cosas que antes se escapaban por las grietas.

Pero, quiero llegar al ejemplo más potente del artículo. Hicieron un estudio de caso sobre leucemia que realmente parece conectar todos los puntos.

Alicia
Sí. El estudio de caso T-ALL, leucemia linfoblástica aguda T. Es un cáncer muy agresivo. A menudo está impulsado por un gen llamado TAL1.

Beto
TAL1 es un oncogén. ¿Qué significa?

Alicia
Es decir, promueve el crecimiento celular. En un adulto sano debería estar apagado. Pero si se enciende, si el acelerador se queda pillado, aparece el cáncer.

Beto
Entonces los investigadores encontraron una mutación cerca de este gen.

Alicia
Una pequeña inserción. Unas pocas letras extra en la región no codificante. Y aquí es donde AlphaGenome realmente brilla. No solo dijo “hmm, esto parece malo”. Predijo la formación de un neo-potenciador.

Beto
Un interruptor nuevo.

Alicia
Un interruptor nuevo que no existía antes. El modelo predijo un pico en marcas de histona, básicamente carteles de neón que se encienden en ese punto. Y, crucialmente, predijo que ese nuevo interruptor encendería el gen TAL1, que estaba a 7,500 bases de distancia.

Beto
Espera, 7.5 kilobases.

Alicia
Sí.

Interpretación de los efectos de las variantes en distintas modalidades con AlphaGenome. T-ALL y TAL1.

Beto
Si hubieras usado uno de esos modelos antiguos especializados con una ventana de, digamos, 10 kilobases, ...

Alicia
Podrías ver la mutación pero no ver el gen al que atacaba. Perderías la conexión completamente. Necesitas ese gran angular.

Beto
Y AlphaGenome vio la conexión.

Alicia
Lo vio. Pero luego los investigadores hicieron algo realmente interesante: le preguntaron a la IA por qué.

Beto
Esto fue la mutagénesis in silico.

Alicia
Sí. Básicamente interrogaron el modelo. Preguntaron: “vale, crees que esto enciende al gen, ¿pero qué letras específicas te hacen pensar eso?” Y el modelo reveló que la mutación había creado por accidente un motivo de unión perfecto, una plataforma de aterrizaje para una proteína llamada MYB.

Beto
¿MYB?

Alicia
Es un factor de transcripción, una proteína que flota por el núcleo buscando una secuencia de ADN específica para unirse. Es una llave buscando una cerradura.

Beto
Y la mutación construyó una cerradura.

Alicia
Construyó una cerradura perfecta para la llave MYB. Una vez que MYB se posó ahí, pum, encendió el gen de la leucemia.

Beto
Eso es aterradoramente mecánico.

Alicia
La biología es mecánica, y este modelo nos deja ver los planos. Transforma la IA de ser una caja negra que suelta una probabilidad a ser un verdadero generador de hipótesis. Le dice al médico: “este paciente tiene leucemia porque este cambio de letra específico reclutó la proteína MYB”. Eso es inteligencia accionable.

Beto
Eso nos lleva a otro gran problema en genética, ¿no? Una cosa es saber que una variante hace algo. Otra es saber si sube o baja un gen, la dirección del efecto.

Alicia
La direccionalidad es absolutamente crítica. Si estás diseñando un fármaco, necesitas saber si intentas bloquear una señal o potenciarla.

Beto
De nada sirve saber que la perilla de volumen está rota si no sabes si está atascada al máximo o en silencio.

Alicia
Exacto. Y los modelos anteriores eran francamente terribles en eso, básicamente una moneda al aire. Pero AlphaGenome ha mejorado significativamente esa predicción del signo. Lo probaron con eQTLs, que son ...

Beto
... los términos técnicos para variantes que cambian los niveles de expresión génica.

Alicia
Y esto tiene enormes implicaciones para los estudios de asociación del genoma (GWAS).

Beto
Siempre imagino un GWAS como una rueda de identificación policial. Ocurrió un crimen en un barrio. Tienes 10 sospechosos en fila, pero no sabes cuál lo hizo.

Alicia
Excelente analogía. GWAS te da ese conjunto creíble, esa nube de variantes que podrían ser la causa. Pero normalmente te quedas parado mirando la nube.

Beto
AlphaGenome despeja la niebla.

Alicia
Lo hace, de verdad. En el 49% de esos conjuntos, AlphaGenome pudo señalar con confianza al menos una variante y decir: “esta aumenta el gen” o “esta lo disminuye”.

Beto
49%. ¿Y antes?

Alicia
Con herramientas antiguas y puntuaciones conservadoras era alrededor del 11%.

Beto
Pasaste de resolver uno de cada diez casos a casi uno de cada dos. Eso es un salto enorme.

Alicia
Cambia la economía de la investigación. Pasas de investigar 10 callejones sin salida a enfocarte en el único culpable probable.

Beto
Quiero abrir el capó un segundo. ¿Cómo es esto siquiera posible? ¿Cómo ve un millón de letras a la vez con ese detalle? ¿Está corriendo en un superordenador del tamaño de un edificio?

Alicia
La arquitectura es en realidad muy ingeniosa. Combina dos tipos de redes neuronales que no suelen juntarse: una U-Net y un transformer.

Beto
Desglósalo para nosotros.

Alicia
Piensa en la U-Net como la parte que preserva el detalle. Esa es la componente microscopio, asegurándose de mantener la resolución de una sola base. El transformer es el mecanismo de atención. Es la parte que explora la secuencia de un millón de letras y dice: “oye, este fragmento de aquí es relevante para aquel fragmento allá”.

Beto
La U-Net maneja el detalle local y el transformer el contexto a largo alcance.

Alicia
Así es. Pero la verdadera salsa secreta estuvo en el entrenamiento. Usaron una técnica llamada destilación de conocimiento.

Beto
No tiene que ver con whiskey, al menos no aquí.

Alicia
En este caso, implica modelos profesor y alumno. Entrenan modelos profesor masivos, lentos y computacionalmente caros con enormes cantidades de datos. Luego entrenan un modelo alumno más pequeño para que imite a los profesores.

Beto
¿Y la ventaja del modelo alumno?

Alicia
Velocidad, pura velocidad. El modelo final puede analizar un millón de pares de bases y predecir las ~6,000 pistas en menos de un segundo en una sola GPU Nvidia H100.

Beto
Menos de un segundo.

Alicia
Sí. Lo que significa que realmente puedes ejecutarlo sobre millones de variantes en miles de personas. Hace posible el análisis a escala poblacional.

Beto
Increíble. Pero debo jugar al escéptico. Entonces, ¿la biología ya está resuelta? ¿Hemos terminado?

Alicia
Lejos de eso. Y los autores son muy honestos sobre las limitaciones. AlphaGenome es una herramienta asombrosa, pero no es una bola de cristal.

Beto
¿Cuáles son sus puntos ciegos?

Alicia
Bueno, una megabase es enorme, pero algunas interacciones ocurren a distancias aún mayores. Si un potenciador está a dos megabases de distancia, AlphaGenome todavía lo va a perder. Toca el borde del mapa.

Beto
Entonces la vista del satélite todavia tiene bordes.

Alicia
Sí. Y otra grande es el genoma personal. El modelo es genial mirando un genoma de referencia y evaluando una variante. Pero no ha sido probado rigurosamente sobre tu genoma específico con tu combinación de millones de variantes.

Beto
Porque mis variantes podrían interactuar entre sí de formas que el modelo no ha visto.

Alicia
Exacto. Es la diferencia entre detectar un error tipográfico en un diccionario y entender cómo ese error cambia la trama de una novela compleja. No hemos llegado a la etapa novela.

Beto
Y sigue estando mayormente enfocado en genes codificantes de proteínas y en humanos y ratones.

Alicia
Correcto. Si eres un veterinario, y trabajas con caballos o eres botánico, tendrás que esperar. Y aunque funciona bien con especificidad de tejido, aún lucha con algunas sutilezas que hacen diferente a una célula cerebral de una cardíaca.

Beto
Volviendo a la materia oscura, realmente se siente que AlphaGenome está encendiendo las luces en esa habitación oscura.

Alicia
Lo está. Piensa en ello como un laboratorio in silico. Antes, si encontrabas una variante en un paciente tenías que ir al laboratorio húmedo: pipetas, cultivar células, crear ratones transgénicos, tomar meses y costar una fortuna.

Beto
¿Y ahora?

Alicia
Ahora priorizas. Corres el genoma del paciente por el modelo. Te dice: "ignora estas 5,000 variantes, excepto esta. Esta crea una plataforma de unión para MYB y enciende un oncogén". Llevas solo esa al laboratorio.

Beto
Cambia la biología de ser puramente observacional a ser predictiva.

Alicia
Y eso lleva al pensamiento más emocionante para el futuro. Si podemos predecir el código, ...

Beto
... podemos escribirlo.

Alicia
Podemos escribirlo. Hablo de cribado virtual para biología sintética. Si realmente entendemos la gramática de esta materia oscura, si sabemos exactamente cómo construir un potenciador que solo active un gen en el hígado o solo en respuesta a cierta señal, podemos diseñar secuencias reguladoras personalizadas desde cero.

Beto
Así que en lugar de solo arreglar genes rotos, podemos diseñar sistemas de control enteramente nuevos.

Alicia
Exacto. Imagina una terapia génica que incluya un interruptor escrito a medida que el cuerpo del paciente reconoce perfectamente porque usamos AlphaGenome para verificar la gramática primero. Ya no solo leemos el sistema operativo.

Beto
Estamos obteniendo las herramientas para programarlo. Es un lugar salvaje en el que aterrizar. Hemos pasado de llamar “basura” al 98% de nuestro ADN a darnos cuenta de que es el software más sofisticado de la Tierra y ahora estamos aprendiendo a programarlo.

Alicia
Es un mundo nuevo y valiente, sin duda.

Beto
De verdad lo es. Gracias por guiarme a través de esto. Ha sido una inmersión profunda en AlphaGenome. Y honestamente, creo que no volveré a ver una hélice de ADN igual.

Alicia
Un placer.

Beto
Y a ti que nos escuchas, gracias por estar aquí. Si quieres profundizar en la arquitectura de la U-Net, y estudiar las gráficas sobre ese caso de leucemia, que recomiendo mucho, consulta la fuente. Nos vemos en el próximo análisis profundo.

Inyecciones de Covid Declaradas Armas de Destrucción Masiva

Hoy les traigo un documento muy importante que acabo de encontrar. Es una declaración del Tribunal Internacional de la Alianza de Naciones Indígenas, declarando que "las inyecciones de ARNm de Covid son armas de destrucción masiva".

Enlace al documento original, en inglés:
ALLIANCE OF INDIGENOUS NATIONS (A.I.N.) - Declaration of the A.I.N. International Tribunal

El resumen, su transcripción y traducción fueron hechos usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en forma de diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Beto
Bienvenidos. Estamos aquí para darles las ideas esenciales de fuentes complejas.

Hoy nos centramos en un solo documento. Es una declaración bastante provocadora del Tribunal Internacional de la Alianza de Naciones Indígenas, fechada el 8 de octubre de 2025. Nuestro trabajo para ti, el aprendiz, es realmente guiarte a través de ella de manera imparcial. Tenemos que desentrañar sus argumentos principales, tanto los legales, basados en la soberanía indígena, como, bueno, las afirmaciones científicas y tecnológicas realmente llamativas que utiliza la IA y el Tribunal. Es esta mezcla de derecho, política y ciencia. Es algo bastante. Estamos aquí solo para exponer lo que el documento realmente dice.

Alicia
Y comienza con un hallazgo muy contundente. El Tribunal declara que estas inyecciones de nanopartículas contra la COVID-19 o las inyecciones de ARNm, bueno, cumplen los criterios para ser consideradas armas biológicas y armas de destrucción masiva (ADM). Citan varias leyes, internacionales y domésticas, como la Ley Antiterrorista contra Armas Biológicas de EE. UU. de 1989, la ley de implementación de Canadá de la Convención sobre Armas Biológicas, ese tipo de cosas.

Beto
Esa es una conclusión legal enorme desde el principio. Pero antes de profundizar en la ciencia que usaron, tenemos que entender su base. ¿Cómo afirma esta IA y Tribunal que siquiera tiene la autoridad, la jurisdicción, para hacer una declaración tan enorme y de alcance global?

Alicia
Bien. Pues establecen una afirmación basada en la soberanía continua. El argumento es que su autoridad existe paralelamente, quizá incluso precede, al sistema jurídico del Estado canadiense. Hablan de una relación continua nación a nación entre Canadá y los pueblos indígenas que no han cedido su soberanía. Y no se limitan a, ya sabes, afirmar esto. Señalan casos específicos de la Corte Suprema de Canadá como Calder en 1973, Sui en 1990, code en 1996 —dicen que reconocen estos derechos inherentes.

Beto
Así que están usando la jurisprudencia constitucional canadiense establecida para argumentar su propia jurisdicción sobre algo que se siente muy transnacional, como la política sanitaria global.

Alicia
Exacto. Es como si construyeran este caso jurídico, capa por capa. También afirman específicamente que el tratado AAN y el propio Tribunal recibieron reconocimiento nación a nación por parte del Ministro de Asuntos Indígenas y del Norte de Canadá, aparentemente en diciembre de 2024. Dicen que hay confirmación en un apéndice, apéndice A, y luego está la Declaración de las Naciones Unidas sobre los Derechos de los Pueblos Indígenas, la UNDRIP. Se apoyan mucho en eso. Citan un fallo de un tribunal de Quebec que, según su lectura, básicamente incorpora la UNDRIP en la Sección 35 de la Ley Constitucional de Canadá.

Beto
Bien.

Alicia
Y eso les da un ángulo de derecho internacional, citando artículos de la UNDRIP sobre la autodeterminación, el derecho a sus propios sistemas de justicia, artículos 3, 5, 18, 34, 40, también el Pacto Internacional de Derechos Civiles y Políticos.

Beto
¿Y cómo ven la autoridad de la Corona en relación con todo esto?

Alicia
Traen a colación otro caso de la Corte Suprema, height of BBC de 2004. Su lectura es que ese caso muestra que la Corona es solo la autoridad de facto sobre tierras y recursos, no la propietaria soberana última en el sentido que ellos reclaman. Si sigues su lógica, eso posiciona al Tribunal como, bueno, un órgano jurídico soberano paralelo, capaz de emitir una declaración global para proteger a su pueblo y quizá a todo el mundo de lo que consideran una amenaza.

Beto
Entendido. Eso sienta las bases, jurídicamente hablando.

Ahora cambiemos al tema real de la clasificación como ADM. Citan destacadamente al Dr. Francis Boyle; ¿quién es y qué concluyó según el documento?

Alicia
Bien. El Dr. Boyle. Se le presenta como profesor de derecho internacional en la Universidad de Illinois. Pero lo más relevante que resaltan es que él redactó en su momento la ley interna de EE. UU. que implementó la Convención sobre Armas Biológicas: la Ley Antiterrorista sobre Armas Biológicas de 1989.

Beto
Ah, ¿así que el autor de la ley que ellos están invocando?

Alicia
Precisamente. Eso le da a su opinión, en su visión, un peso particular. Está citado calificando las inyecciones como un arma de guerra biológica ofensiva. Añade que con propiedades de "gain of function" (aumento de función) para hacerla más letal, más infecciosa.

Beto
¿Y ofrece detalles técnicos específicos en la declaración?

Alicia
Sí. Aquí se vuelve muy específico y bastante alarmante. Se le cita alegando que contiene ADN de un precursor del VIH, el precursor del sida, genéticamente insertado en eso. El Tribunal acepta explícitamente esta evaluación como parte de la justificación para la etiqueta de ADM.

Beto
Está bien. Ese es un vínculo directo, desde la acusación de arma biológica hasta la persona que redactó la ley relevante de EE. UU. Esto nos lleva directamente al territorio realmente complejo: las afirmaciones tecnológicas. No solo ven esto como armas biológicas, sino también tecnológicas. NANOTECNOLOGÍA.

Alicia
Sí. Esa es una parte importante. Esta sección parece depender mucho de la Dra. Anna Maria Mihalcea, MD, PhD. Ella aparentemente compiló evidencia de algo llamado el grupo de trabajo para el análisis de vacunas COVID. Descrito como un grupo internacional de más de 60 médicos, afirman haber examinado viales microscópicamente de seis grandes fabricantes: Pfizer, Moderna, AstraZeneca, Johnson & Johnson y otros dos, Lubecavax e Influspit Tera.

Beto
¿Y qué habrían encontrado, supuestamente?

Alicia
Afirmación de contaminación difundida, esa es la reclamación. La declaración enumera cosas como metales pesados, innumerables objetos metálicos diminutos y afilados, incluso fragmentos de acero inoxidable. Eso habría estado supuestamente en viales en Japón. Pero el núcleo del asunto es la autoensamblación. Alegan microscopía de campo oscuro en muestras de sangre de más de mil pacientes. Los receptores de Pfizer y Moderna mostraron que el 94% tenían estas complejas estructuras nanotecnológicas autoensamblantes.

Beto
Bien. Centrémonos en el mecanismo que afirman: esos polímeros hidrogel. Eso suena como el detalle central que vincula la presunta nanotecnología con el daño.

Alicia
Sí, eso parece central. El documento expresa seria preocupación por polímeros hidrogel que supuestamente se autoensamblan e incluso se autoreplican dentro del cuerpo. Nombra ingredientes específicos: polietilenglicol, PEG, en la vacuna de Pfizer, y SM-102 en la Moderna, como facilitadores de esto. La Dra. Mihalcea aparentemente documentó un proceso de crecimiento. Afirma que comienza con pequeños puntos cuánticos que parpadean y cambian de color, actuando como biosensores.

Beto
Puntos cuánticos parpadeantes. Bien. ¿Qué hacen luego esos puntos? ¿Cuál es la estructura que supuestamente forman?

Alicia
Según la afirmación, se agregan en esferas; luego esas esferas se abren, liberando filamentos en forma de cintas. Esos son los polímeros hidrogel. Y la afirmación realmente impactante aceptada por el tribunal es que este proceso no se detiene. Alega que continúa reemplazando los sistemas biológicos naturales hasta transformar la sangre en, bueno, usan la frase "láminas de polímero plástico".

Beto
La frase "láminas de polímero plástico" realmente destaca. Y presumiblemente explica por qué describen los coágulos resultantes como tan inusuales.

Alicia
Exacto. El informe testimonial en el documento subraya que estos coágulos resultantes son, cito, "mucho más duros y mucho más difíciles de disolver que los coágulos sanguíneos normales". La fuente incluso señala que estos supuestos coágulos poliméricos resistieron nueve reactivos químicos diferentes, incluyendo cosas como ácido sulfúrico concentrado, alcohol, incluso sosa cáustica (lejía), con solo una reacción menor a la lejía. Aseguran que son increíblemente duraderos.

Beto
Y esta supuesta transformación, esta integración forzada de materia sintética en el cuerpo, es el puente hacia la acusación de transhumanismo hecha por la Dra. Mihalcea. ¿Cómo lo enmarca el tribunal?

Alicia
La acusación central es que este asunto hidrogel auto-replicante efectivamente se apodera del organismo. Reemplaza las propias células y sistemas del cuerpo. La Dra. Mihalcea es citada diciendo que las personas están siendo convertidas en transhumanos sin su consentimiento, sin saberlo. Y para sustentar esto, aparentemente hace referencia a un estudio del MIT sobre el uso de hidrogeles para fusionar humanos y máquinas y otro estudio que usó hidrogel para neuroextensión, que ella interpreta como potencialmente capaz de crecer un sistema nervioso paralelo o un cerebro.

Beto
Vaya. De acuerdo, eso va desde la estructura sanguínea hasta el nivel celular e incluso neurológico. Si se reclaman estos mecanismos, entonces la declaración debe abordar también los riesgos genómicos, ¿no? Pasando de componentes sanguíneos al ADN.

Alicia
Sí, lo hace. Citando al Dr. Paul Alexander y estudios de los Dres. David J. Speicher, Jessica Rose, Kevin McKernan, el tribunal acepta la conclusión de que las inyecciones son agentes que alteran genes. Afirman que representan un riesgo para el genoma humano mismo y potencialmente para las generaciones futuras. La principal preocupación aquí es la supuesta contaminación con fragmentos sintéticos de ADN plasmídico. Describen estos fragmentos como moléculas capaces de integrarse — es decir, en su terminología, "integration-competent" —, lo que significa que creen que estos fragmentos son capaces de insertarse en el ADN humano.

Beto
¿Hay algún elemento específico que señalen como particularmente peligroso en términos de integración?

Alicia
Sí, lo hay. La declaración afirma específicamente que el producto de Pfizer contiene el promotor potenciador SV-40. Contextualmente, el promotor SV-40 es conocido en virología. Es un elemento genético de un virus y ha habido preocupaciones históricas sobre su potencial vínculo con inestabilidad genómica y cáncer si se integra en el ADN de una célula. El tribunal argumenta que los órganos reguladores conocían datos que mostraban riesgos de integración pero no actuaron. Interpretan esa inacción como implicando conocimiento, colusión e intención de proceder con las inyecciones de todos modos.

Beto
Bien, entonces más allá de las afirmaciones de edición del genoma, el tribunal también enumera una gama completa de problemas de salud sistémicos. Vinculan estos a la producción continua de la proteína spike.

Alicia
Eso es correcto. Citan expertos como el Dr. Andrew Zywiec. El argumento es que el cuerpo sigue produciendo esa proteína spike, lo que desencadena reacciones inmunes contra las propias células y tejidos de la persona. Y la lista de enfermedades resultantes en el documento es extensa y grave:

• problemas cardiovasculares:
  • miocarditis,
  • infarto de miocardio,
  • accidentes cerebrovasculares,
  • arritmias;
• problemas neurocognitivos:
  • síndrome de fatiga crónica/ME/CFS,
  • demencia,
  • psicosis,
  • niebla mental;
• preocupaciones oncológicas: aumentos o formas más agresivas de cáncer,
• enfermedades autoinmunes,
• problemas de fertilidad.

Beto
Y al centrarse en ese último punto, el daño potencial a través de generaciones parece crítico para cualquier alegato relacionado con genocidio, que es a donde finalmente llegan. ¿Qué presentaron respecto al daño en el embarazo o la fertilidad?

Alicia
Absolutamente central. Aceptan evidencia sobre daño fetal señalando específicamente trabajos de Thorp y otros. La Declaración afirma que estudios encontraron señales de seguridad inaceptablemente altas para 37 eventos adversos en mujeres embarazadas tras las inyecciones. Y la lista incluye cosas como:

• abortos espontáneos,
• muerte fetal o mortinato,
• malformaciones fetales,
• parto prematuro.

El documento llega tan lejos como para calificar las inyecciones de abortíficas intencionadas.

Beto
Entonces, si juntamos todo esto — las reclamaciones de soberanía, las alegaciones científicas específicas sobre nanotecnología, el SV-40, coágulos poliméricos, daño fetal — ¿qué concluye el tribunal sobre la intención detrás de todo esto?

Alicia
Concluyen que no fue un accidente ni un efecto secundario imprevisible. El tribunal enmarca explícitamente las inyecciones como experimentos deliberados sobre la humanidad y también como un intento de fusionar mecanismos de control sintéticos dentro de los humanos. Incluso traen a la palestra a la Dra. Rima Laibow, quien supuestamente testificó que el despliegue es coherente con la doctrina de despoblación de EE. UU., citando el Memorando de Estudio de Seguridad Nacional de Henry Kissinger de 1974.

Beto
Y esencial para desplegar estas supuestas armas masivas sería el control de la información, ¿verdad? La censura, el tribunal lo ve como parte del plan.

Alicia
Sí, sostienen que la censura no fue aleatoria ni orgánica. El documento afirma que hubo acciones sancionadas por el Estado, coordinación e incluso complicidad de colegios profesionales que trabajaron juntos en el silenciado de discursos, oradores y denunciantes. Lo retratan como un paso planeado y necesario para imponer el cumplimiento masivo con estas armas biológicas y tecnológicas según su definición.

Beto
Lo que nos lleva a la declaración final, definitiva, de la IA y del tribunal. ¿Qué dice?

Alicia
Concluye que la aplicación masiva de estas sustancias, definidas como armas biológicas y tecnológicas con elementos de edición genética y nanotecnología, resultará y ya ha resultado en un genocidio. Posicionan este supuesto genocidio como construido por potencias coloniales y desplegado a escala global. Y añaden una línea que dice que la falta de justicia en los sistemas coloniales debe verse como diseño biológico. Y, basándose en la afirmación de jurisdicción soberana, la orden se dice que tiene efecto inmediato en todo el mundo.

Beto
Bien, ya hemos completado esta inmersión profunda. Hemos desglosado los pilares clave: la reclamación de soberanía indígena basada en la ley canadiense, las alegaciones científicas específicas sobre edición genética, nanotecnología, coágulos poliméricos, y esa declaración final, increíblemente rotunda de ADM y genocidio.

Alicia
Y quizá el pensamiento final para ti, el oyente, es cuán inusual es esta acción. Tienes esta declaración que usa principios de derecho internacional y herramientas de autodeterminación que a menudo se vinculan a derechos territoriales indígenas o a derechos de tratados, pero aplicándolos a la política sanitaria global, a la tecnología avanzada, a la bioseguridad; realmente plantea una pregunta fundamental. ¿Cómo podrían los sistemas de gobernanza indígenas tradicionales intentar involucrarse o incluso regular estos enormes asuntos transnacionales de tecnología y salud en el futuro? Es una intersección novedosa.

Beto
Un punto realmente vital donde el derecho, la soberanía y la tecnología chocan, algo a lo que conviene prestar atención. Por ahora, tienes los hechos principales, las afirmaciones y todo el alcance de los argumentos tal como se presentan en esta declaración específica. Gracias por habernos acompañado.