Virus diseñado con IA: un bacteriófago contra superbacterias

El número importante del primer virus diseñado con IA no es 16. Es 700.000. En agosto de 2026, investigadores de la Universidad de Stanford y el Arc Institute usaron modelos entrenados con ADN crudo para generar cerca de 700.000 genomas candidatos de virus, eligieron 302 para construir, lograron ensamblar 285 y descubrieron que 16 producían bacteriófagos funcionales que mataban E. coli. Eso es 5,6 % de acierto. El artículo salió en Science el 6 de agosto de 2026 y es la primera vez que una IA generativa escribe un genoma completo y funcional desde cero. También es una lección clarísima de cómo trabajan estas herramientas: generan cantidades enormes de propuestas plausibles, y los humanos todavía tienen que construirlas y probarlas.

Puntos clave

• Los modelos fueron Evo 1 y Evo 2, “modelos de lenguaje de genomas” entrenados con secuencias de ADN crudo, no con texto. Predicen el siguiente nucleótido como un modelo de texto predice la siguiente palabra.
• Plantilla de diseño: ΦX174, un bacteriófago lítico pequeño con un genoma de 5.386 nucleótidos (unas 5,4 kilobases). Lo bastante chico para escribirlo completo.
• El embudo: ~700.000 generados → 302 elegidos → 285 construidos → 16 funcionales. Varios fagos generados superaron al ΦX174 natural en competencia de crecimiento y en velocidad de lisis.
• Un cóctel de los fagos generados venció la resistencia a ΦX174 en tres cepas modificadas de E. coli. No hubo pruebas en animales ni en personas.
• Bioseguridad: se excluyeron de los datos de entrenamiento los virus que infectan eucariotas (incluidos los humanos), y el trabajo usó un fago no patógeno con E. coli no patógena. Aun así, investigadores de bioseguridad de Johns Hopkins señalaron públicamente el vacío de gobernanza.

Qué es un bacteriófago y por qué alguien querría diseñarlo

Un bacteriófago es un virus que infecta bacterias y nada más. No humanos, no animales, no plantas. “Fago” quiere decir “comedor”; un fago lítico entra en una bacteria, secuestra su maquinaria para hacer copias de sí mismo, revienta la célula y sigue adelante.

La terapia con fagos es una idea vieja que está volviendo por una razón directa: los antibióticos están perdiendo. El reporte de amenazas de los CDC de Estados Unidos contabiliza más de 2,8 millones de infecciones resistentes y más de 35.000 muertes por año solo en ese país (CDC). Los fagos matan bacterias por un mecanismo completamente distinto al de los antibióticos, así que la resistencia a uno no implica resistencia al otro.

El problema siempre fue el emparejamiento. Cada fago es exigente con la cepa bacteriana que infecta, y las bacterias también desarrollan resistencia a los fagos. Encontrar el fago correcto para la infección de un paciente puede tomar semanas de búsqueda en muestras de aguas residuales. De ahí la pregunta del diseño: ¿y si en vez de buscar un fago pudieras escribirlo?

Cómo funcionó de verdad el virus diseñado con IA, paso por paso

Paso 1: el modelo. Evo 1 y Evo 2 son modelos de lenguaje de genomas desarrollados por investigadores del Arc Institute, Stanford y UC Berkeley. Se entrenaron con secuencias de ADN crudo. Un modelo de texto aprende “el gato se sentó en la ___” y predice “alfombra”. Un modelo de genomas aprende tramos largos de A, T, G y C y predice qué nucleótido viene después según todo lo anterior. Sin anotaciones de genes, sin etiquetas de proteínas. Solo secuencia.

Paso 2: la plantilla. Escribir un genoma nuevo desde la nada sería imposible. El equipo ancló la generación en ΦX174, un fago lítico muy estudiado cuyo genoma tiene 5.386 nucleótidos y codifica 11 genes en un arreglo compacto y superpuesto. Al modelo se le pidió generar genomas con esa arquitectura y esa preferencia de huésped: infectar E. coli, matarla, nada más.

Paso 3: generar a escala. Los modelos produjeron unos 700.000 genomas candidatos. Esta es la parte que los papás deberían notar. Generar es barato. Un modelo puede soltar un millón de secuencias que se ven estadísticamente como ADN de fago en lo que se hace un café.

Paso 4: filtrar por computadora y construir. El equipo se redujo a 302 candidatos e intentó sintetizarlos, o sea, encargar y ensamblar moléculas de ADN de verdad. 285 se ensamblaron bien. Cada uno se introdujo en E. coli para ver si esas instrucciones producían un virus funcional.

Paso 5: probar. 16 produjeron bacteriófagos funcionales que lisaron E. coli. Según el preprint, “múltiples fagos demuestran mayor aptitud que ΦX174 en competencias de crecimiento y en su cinética de lisis”, y la criomicroscopía electrónica mostró un fago generado usando “una proteína de empaque de ADN evolutivamente distante dentro de su cápside”: una pieza que el modelo tomó de un pariente lejano en vez de copiar la plantilla.

Paso 6: el resultado relevante para la medicina. El equipo diseñó tres cepas de E. coli resistentes a ΦX174. Un cóctel de los fagos generados venció la resistencia en las tres. Eso es lo más parecido a una prueba de concepto médica que hay en el artículo.

Qué acertó

Genomas completos funcionales, escritos por un modelo y verificados en laboratorio. Algunos superando a la plantilla natural. Uno usando una proteína estructural de un origen evolutivamente distante, lo que sugiere que el modelo aprendió algo transferible sobre arquitectura de cápsides en vez de memorizar ΦX174.

Qué falló, o nunca se probó

La tasa de 5,6 % es el titular honesto. Y las fallas fueron informativas: según la cobertura del artículo, solo cerca del 46 % de los diseños con 98 % o más de identidad de secuencia con la plantilla natural resultaron viables, o sea que cambios pequeños en un genoma que funciona suelen romperlo. Sin pruebas en animales. Sin pruebas clínicas. Nada se intentó con un virus más grande ni con un patógeno humano. Y los investigadores de bioseguridad de Johns Hopkins Thomas Inglesby y Moritz Hanke lo dijeron sin rodeos: “la capacidad de componer genomas virales con IA generativa ya existe; la gobernanza para dirigirla con seguridad, no”. Tom Ellis, del Imperial College de Londres, respondió que la preocupación está exagerada porque modificar un patógeno existente sigue siendo mucho más fácil que diseñar uno desde cero.

Vale la pena contarle las dos posturas a un adolescente. Científicos con credenciales discrepan sobre el riesgo, y la discusión es sobre dificultad relativa, no sobre si la capacidad existe.

La analogía: 700.000 recetas, 16 tortas

Imagina un modelo entrenado con diez mil recetas de torta. Nunca le dijeron qué hace la harina ni por qué importan los huevos. Solo vio suficientes recetas para saber qué sigue plausiblemente después de “bate la mantequilla con”.

Ahora pídele 700.000 recetas nuevas. Las produce en una tarde. Todas se leen como recetas de torta. Pero leerse como receta y hornearse como torta son cosas distintas. Eliges 302, compras los ingredientes, logras armar 285 y horneas. Salen dieciséis tortas comestibles. Unas pocas son mejores que la receta original.

Ese es el artículo. El modelo es un redactor fluido de recetas sin cocina. La cocina es el laboratorio, y el laboratorio sigue siendo lento, caro y el lugar donde muere el 94 % de las ideas.

Fago contra antibiótico: dos formas de matar bacterias

	Bacteriófago	Antibiótico
Qué es	Un virus que infecta bacterias	Una molécula química
Cómo mata	Inyecta su genoma, secuestra la célula y la revienta	Bloquea un proceso bacteriano específico (pared celular, síntesis de proteínas)
Especificidad	Muy estrecha, a veces una sola cepa	Amplia o estrecha, normalmente varias especies
Efecto en la flora intestinal	La respeta en gran medida	Suele matar también bacterias útiles
¿Se multiplica en el cuerpo?	Sí, mientras queden bacterias objetivo	No, la dosis baja con el tiempo
Resistencia	Las bacterias se resisten; los fagos pueden coevolucionar	Las bacterias se resisten; el fármaco no puede adaptarse
Situación regulatoria	Uso compasivo caso por caso; sin aprobación amplia	Vía de aprobación establecida
Tiempo para emparejar con un paciente	Semanas de búsqueda, históricamente	Se receta el mismo día

El diseño con IA apunta exactamente a una casilla de esta tabla: el problema de las “semanas de búsqueda”. Si puedes escribir fagos candidatos en vez de cazarlos, el emparejamiento se acelera. Ese es el beneficio genuino, y todavía está a varios pasos de una clínica.

Cómo enseñarle esto a tu hijo

De 5 a 8 años: el juego de la llave y el candado

Corta unas “llaves” de cartón con muescas distintas y pega “candados” que coincidan en cajas etiquetadas como bacterias diferentes. Solo una llave abre cada caja. Explícale que un fago es como una llave que entra en un solo tipo de germen, y por eso los doctores tienen que encontrar exactamente el correcto. Después revuelve las llaves y deja que pruebe todas. Esa sensación de prueba y error es la historia de los 700.000 a 16 en miniatura, sin necesidad de genética.

De 9 a 12 años: autocompletar secuencias

Escribe un patrón tipo ADN en papel: ATGGCATGGCATGGC. Tapa el final y pídele que prediga las siguientes tres letras. Después hazlo con un patrón más difícil donde la regla cambia a mitad de camino. Eso es exactamente lo que hace un modelo de lenguaje de genomas: predecir la siguiente letra a partir del contexto, sin idea de qué significan las letras. Ahora la pregunta clave: si puede producir secuencias creíbles sin entender biología, ¿cómo averiguarías si una secuencia de verdad funciona? (Respuesta: construyéndola y probándola. Por eso se construyeron 285.)

De 13 en adelante: el cálculo de la tasa de acierto

Dale los cuatro números: 700.000 generados, 302 seleccionados, 285 construidos, 16 funcionales. Que calcule la tasa de paso de cada etapa (0,04 %, 94 %, 5,6 %). Después pregúntale cuál etapa es el cuello de botella y por qué. Sigue con el problema difícil: si construir cada candidato cuesta dinero y tiempo, ¿cuántos construirías para esperar 50 fagos funcionales? Ese es razonamiento real de embudo, el mismo que se usa en descubrimiento de fármacos y en ingeniería.

La pregunta que debes hacer: “El modelo escribió 700.000 genomas y 16 funcionaron. ¿El modelo era bueno en biología, o bueno produciendo propuestas que valía la pena probar?”

¿Y en América Latina?

La resistencia a antibióticos es un problema más agudo en la región que en Estados Unidos, precisamente porque en muchos países todavía se consiguen antibióticos sin receta en farmacias de barrio. La automedicación con amoxicilina para un resfriado viral es una escena familiar en Lima, Bogotá o Ciudad de México, y es exactamente el hábito que fabrica superbacterias.

Ese contexto vuelve este tema más útil, no menos. Vale conectarlo con lo educativo: PISA 2025, publicado el 8 de septiembre de 2026, mostró que ciencias se mantuvo estable o mejoró levemente en la región (Colombia 414, +3; México 414, +4) mientras matemáticas cayó, según Infobae. Y el 56 % de los estudiantes colombianos usa IA cada semana, por encima del 46 % promedio de la OCDE, según Pulzo. Un adolescente que puede calcular la tasa de acierto de un embudo de diseño está usando la IA como herramienta cuantitativa, no como máquina de respuestas.

Qué hacer en casa

Empieza por qué es un virus, no por la IA

El modelo mental de “virus” de casi todos los niños es “cosa que te enferma”. Los fagos rompen ese molde de forma útil: aquí hay un virus que caza bacterias y se usa como medicina. Aclarar eso primero hace que la parte de IA caiga como historia de herramienta, no como historia de terror.

Practicar la lectura de embudos

Cada vez que tu hijo se encuentre con un titular de IA en ciencia, busquen el embudo: cuántos candidatos, cuántos probados, cuántos funcionaron. Si el artículo no lo dice, eso también es información. Este solo hábito separa a las familias que pueden evaluar afirmaciones sobre IA de las que no.

Hablar de la discrepancia, no solo del resultado

Inglesby y Hanke dicen que la gobernanza va atrás de la capacidad. Ellis dice que el riesgo está exagerado. Los dos son científicos serios. Quedarse con esa tensión, en vez de resolverla, es lo que se siente la alfabetización científica real a los 13 años.

Conectarlo con la conversación de antibióticos

Si a tu familia alguna vez le dijeron “esto es viral, el antibiótico no sirve”, es el mismo territorio. Nuestra guía sobre uso excesivo de antibióticos en niños da el lado pediátrico, y la investigación en fagos es una respuesta al problema de resistencia que describe. Para ver bacterias vivas de cerca, el experimento de yogur casero y microbios es un buen complemento.

Lo que no debes hacer

No dejes que la frase “la IA diseñó un virus” quede sin examinar en tu casa. Sin matices suena a guion de película. Con matices es precisa y mucho más interesante: una IA escribió secuencias de ADN para un virus que mata bacterias y no puede infectar humanos, basado en un caballito de batalla de laboratorio de hace 50 años, y el 94 % de los diseños falló. Los matices son la educación.

Qué observar en los próximos 3 meses

• Semana 4: tu hijo puede decir qué infecta un bacteriófago (solo bacterias) y más o menos cuántos diseños de IA funcionaron (alrededor de 1 de cada 18 de los construidos).
• Mes 2, señales de alerta: describe a la IA como “creando vida” o “inventando una enfermedad”. Repasen el embudo y las exclusiones de bioseguridad. La precisión importa porque el tema va a volver.
• Mes 3, autoevaluación: estén atentos a noticias de ensayos de terapia con fagos o de reglas de bioseguridad para IA. Pídele que prediga si el próximo artículo reportará una tasa de acierto mayor o menor, y por qué.

Preguntas frecuentes

¿Estos virus diseñados con IA pueden infectar personas?

No. Los bacteriófagos infectan bacterias y no pueden entrar en células humanas. Los investigadores además excluyeron de los datos de entrenamiento los virus que infectan eucariotas y trabajaron con un fago no patógeno contra E. coli no patógena en un laboratorio controlado. La conversación de bioseguridad es sobre capacidades futuras, no sobre este experimento.

¿La terapia con fagos está disponible para la infección de mi hijo?

No como tratamiento de rutina. Se usa caso por caso bajo esquemas de uso compasivo, normalmente en infecciones graves resistentes cuando los antibióticos estándar ya fallaron. No hay un producto de fagos aprobado para receta general. El diseño con IA apunta a hacer más fácil producir fagos candidatos, que es un paso previo a la aprobación.

¿Qué es exactamente un “modelo de lenguaje de genomas”?

Es un modelo entrenado con secuencias de ADN crudo en vez de texto. Dado un tramo de nucleótidos, predice qué viene después, igual que un modelo de texto predice la siguiente palabra. Evo 1 y Evo 2 funcionan así. No se les enseñó qué hacen los genes; aprendieron patrones estadísticos del ADN lo bastante bien como para producir secuencias que a veces se ensamblan en virus funcionales.

¿Por qué solo funcionaron 16 de 285?

Porque una secuencia plausible no es lo mismo que un organismo funcional. Un genoma tiene que plegarse, empaquetarse, expresar proteínas en el orden correcto y ensamblar una cápside. La cobertura del artículo señala que incluso diseños 98 % idénticos a la plantilla natural resultaron viables solo cerca del 46 % de las veces.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. King, S. H., Hie, B. L., et al. (2026). “Generative design of novel bacteriophages with genome language models.” Science, 6 de agosto de 2026. Preprint: https://www.biorxiv.org/content/10.1101/2025.09.12.675911v1
2. Stanford Report. (2026, agosto). “AI designs a novel E. coli killer.” https://news.stanford.edu/stories/2026/08/evo-2-ai-tool-e-coli-killer-bacteriophages
3. Chemical & Engineering News. (2026, agosto). “AI program designs new bacteriophages.” https://cen.acs.org/biological-chemistry/genomics/ai-program-designs-new-bacteriophages/104/web/2026/08
4. Centers for Disease Control and Prevention. “About Antimicrobial Resistance.” https://www.cdc.gov/antimicrobial-resistance/about/index.html
5. Centers for Disease Control and Prevention. (2019). Antibiotic Resistance Threats in the United States. https://www.cdc.gov/antimicrobial-resistance/media/pdfs/2019-ar-threats-report-508.pdf
6. Implicator.ai. (2026, agosto). Reporte con reacciones de Inglesby, Hanke y Ellis. https://www.implicator.ai/stanford-and-arc-institute-build-16-ai-designed-viruses-that-kill-e-coli/
7. Infobae. (2026, 8 de septiembre). “Pruebas PISA: los países de América Latina profundizan su retroceso educativo.” https://www.infobae.com/america/america-latina/2026/09/08/pruebas-pisa-los-paises-de-america-latina-profundizan-su-retroceso-educativo/