La próxima gran apuesta de la inteligencia artificial aplicada a la medicina no consiste en lanzar otro chatbot, sino en reunir los datos necesarios para predecir cómo se comporta una célula. El 7 de octubre de 2026, Biohub anunció una ampliación de su Virtual Biology Initiative hasta alcanzar un compromiso conjunto valorado en 1.800 millones de dólares. En ella participan Google DeepMind, Isomorphic Labs, Meta y organismos públicos estadounidenses. El objetivo es crear una base de datos biológicos que permita entrenar modelos capaces de anticipar la respuesta de células y tejidos a distintas intervenciones.
La cifra es llamativa, pero la noticia importante está en otro lugar: los promotores creen que el principal cuello de botella para construir una «célula virtual» no es solo la potencia de cálculo, sino la escasez de mediciones experimentales comparables y de calidad. Y hay dos matices fundamentales: los 1.800 millones no equivalen íntegramente a dinero nuevo y todavía no existe un simulador universal de células que pueda sustituir los ensayos de laboratorio.
Qué ha anunciado Biohub y quién participa
Biohub, la organización científica impulsada por Mark Zuckerberg y Priscilla Chan, presentó la ampliación el miércoles 7 de octubre. La iniciativa se había lanzado en abril con un compromiso inicial de 500 millones de dólares de Biohub. Ahora suma la colaboración de grandes empresas tecnológicas, centros de investigación y agencias federales.
La distribución anunciada ayuda a entender la naturaleza del proyecto:
| Participante | Aportación o papel anunciado | Matiz relevante |
|---|---|---|
| Biohub | 500 millones de dólares comprometidos en abril | Financiación inicial para tecnología, datos y colaboración científica. |
| Google DeepMind, Isomorphic Labs y Meta | 300 millones de dólares conjuntamente | Inversión privada para mediciones y conjuntos de datos multimodales. |
| Departamento de Energía de EE. UU. | Más de 500 millones durante cinco años | Laboratorios, experimentación, modelización y computación. |
| Institutos Nacionales de Salud (NIH) | Coordinación de recursos procedentes de más de 500 millones de inversión federal anterior | No debe confundirse con una nueva transferencia de 500 millones. |
Por tanto, la cifra global combina compromisos de inversión, recursos de computación y datos financiados previamente. No es correcto presentarla como una ronda de financiación recién ingresada en una sola entidad. La propia comunicación de los NIH confirma que su contribución pasa por coordinar y estandarizar repositorios biomédicos ya existentes.
Qué es una «célula virtual» y por qué aún no existe una versión definitiva
Una célula virtual sería un modelo computacional capaz de representar aspectos relevantes del funcionamiento celular y predecir qué sucede si cambia una variable: por ejemplo, al inhibir un gen, administrar una molécula o modificar el entorno. No se trata de dibujar una célula en tres dimensiones ni de preguntar a una IA qué medicamento funciona mejor. Se trata de obtener predicciones que después puedan contrastarse con experimentos reales.
Imaginemos que un equipo estudia cómo responde una población de células tumorales a varias sustancias. Un modelo suficientemente fiable podría ayudar a descartar combinaciones poco prometedoras y priorizar las que merecen pruebas de laboratorio. El ahorro potencial sería importante, pero priorizar experimentos no equivale a demostrar eficacia clínica. Entre una predicción celular y un tratamiento aprobado hay todavía pruebas preclínicas, ensayos con personas, evaluación de seguridad y supervisión regulatoria.
La biología plantea dificultades que no aparecen de la misma manera en los modelos entrenados con texto de Internet. Las células cambian según el tejido, la edad, el estado de enfermedad, el entorno y las interacciones con otras células. Además, muchos experimentos producen datos difíciles de comparar porque se han realizado con instrumentos, protocolos y condiciones distintos.
La diferencia respecto a abril: de financiar un laboratorio a coordinar datos a gran escala
La iniciativa original de abril ya prometía invertir 500 millones de dólares y abrir los resultados a la comunidad científica. La novedad de octubre es la incorporación de nuevos financiadores y, sobre todo, de infraestructuras públicas y repositorios capaces de ampliar la diversidad de mediciones.
El Departamento de Energía aportará capacidad de supercomputación e instalaciones científicas avanzadas. Los NIH contribuirán a hacer interoperables conjuntos de datos biomédicos. Biohub coordinará parte del esfuerzo para que los investigadores puedan trabajar con identificadores y estándares comunes. Instituciones como el Human Cell Atlas, el Broad Institute y el Wellcome Sanger Institute también participan en la colaboración científica.
Esto importa porque tener millones de observaciones aisladas no basta para aprender relaciones de causa y efecto. Un modelo puede identificar patrones en células que ya ha visto y fallar cuando se le pide anticipar la reacción a una intervención nueva. La iniciativa pretende generar precisamente más datos de perturbación: qué se cambió en el experimento, en qué células y qué respuesta se observó.
Qué tecnologías se utilizarán
Entre las herramientas mencionadas por Biohub figuran la transcriptómica espacial, que permite estudiar la actividad molecular conservando información sobre la posición de las células en un tejido; la microscopía avanzada; y la criotomografía electrónica, útil para observar estructuras celulares a escalas muy pequeñas. También se ampliarán los experimentos que miden la respuesta celular a cambios químicos o genéticos.
Son técnicas complementarias. Unas describen qué moléculas están presentes; otras, dónde se encuentran; y otras permiten medir cómo responde el sistema cuando se interviene sobre él. Integrarlas en un mismo modelo es un desafío científico y de ingeniería de datos, no una operación automática de «meter todo en una IA».
Por qué importa: el valor de la IA científica depende de poder comprobar sus predicciones
En medicina, una predicción incorrecta no es un fallo menor de un chatbot. Puede hacer perder años de investigación o dirigir recursos hacia una hipótesis equivocada. Por eso, el criterio decisivo no será cuántos parámetros tenga el futuro modelo, sino si predice resultados de experimentos que no formaban parte de su entrenamiento, en laboratorios y condiciones diferentes.
Biohub aspira a acortar un trabajo que, según sus responsables, podría requerir décadas. Reuters recoge que la organización espera disponer de un primer conjunto de datos en aproximadamente un año y alcanzar modelos predictivos precisos en un horizonte de cinco años. Son objetivos declarados por los promotores, no plazos científicos garantizados ni fechas de lanzamiento de tratamientos.
Esta línea de investigación complementa los avances que ya hemos analizado en AImania sobre cómo se utiliza la IA en medicina. También conviene distinguirla de las herramientas de apoyo al diagnóstico: aquí el foco principal está en investigación básica, simulación y descubrimiento de posibles terapias, no en atender directamente a pacientes.
La promesa de datos abiertos tiene una condición importante
El proyecto se presenta como un recurso abierto para la comunidad científica, una decisión que podría permitir a universidades y laboratorios pequeños entrenar y evaluar sus propios modelos sin depender exclusivamente de los gigantes tecnológicos. Sin embargo, Reuters informa de que los socios comerciales podrán disponer de periodos de acceso anticipado a ciertos conjuntos de datos antes de su publicación general.
Biohub distingue esos periodos de embargo de los trabajos financiados con fondos públicos, que, según su responsable científico Alex Rives, no estarán sujetos a las mismas restricciones. Quedan por concretar los calendarios, licencias, formatos y condiciones prácticas de reutilización de todos los recursos. «Abierto» es una aspiración relevante, pero habrá que comprobar cómo se materializa.
También será esencial evaluar la representatividad de los datos. Si predominan determinados tipos celulares, condiciones experimentales o poblaciones, los modelos podrían funcionar peor fuera de esos contextos. La estandarización y la validación independiente serán tan importantes como el volumen total.
Qué puede cambiar para investigadores, empresas y pacientes
- Investigadores académicos: podrían acceder a conjuntos de datos más completos y comparables, y reproducir experimentos computacionales con mayor facilidad. La utilidad real dependerá del acceso y de la documentación.
- Empresas farmacéuticas y biotecnológicas: podrían utilizar modelos celulares para seleccionar dianas terapéuticas y priorizar pruebas. Eso no elimina la necesidad de demostrar seguridad y eficacia.
- Desarrolladores de IA: tendrán un nuevo campo de trabajo en integración multimodal, modelos causales, evaluación fuera de distribución y herramientas científicas reproducibles.
- Pacientes: no hay un nuevo tratamiento disponible a raíz de este anuncio. El beneficio, si llega, sería indirecto y a medio o largo plazo.
Las preguntas que determinarán si la iniciativa funciona
Hay cuatro pruebas especialmente relevantes para seguir el proyecto durante los próximos años:
- Calidad y diversidad: ¿los nuevos datos cubren suficientes tipos celulares, tejidos, enfermedades e intervenciones?
- Generalización: ¿pueden los modelos anticipar respuestas que no han visto y replicarlas otros laboratorios?
- Acceso real: ¿cuándo estarán disponibles los datos, con qué licencias y después de qué periodos de embargo?
- Resultados biomédicos: ¿ayudan a formular hipótesis y seleccionar experimentos mejores, medidos con criterios independientes?
La conclusión es menos espectacular que el titular de una «IA que cura enfermedades», pero mucho más sólida: se está financiando la infraestructura de datos que podría hacer posibles modelos biológicos predictivos. El anuncio del 7 de octubre es importante por la escala de la colaboración; su éxito todavía tendrá que demostrarse en el laboratorio.
Fuentes
- Biohub (7 de octubre de 2026): anuncio oficial de la ampliación y desglose de compromisos.
- Biohub (29 de abril de 2026): lanzamiento original de Virtual Biology Initiative.
- NIH (7 de octubre de 2026): participación y coordinación de datos biomédicos.
- Reuters (7 de octubre de 2026): cifras, plazos previstos y condiciones de acceso a los datos.
- The Verge (7 de octubre de 2026): contexto del proyecto y socios tecnológicos.