La ampliada Virtual Biology Initiative de Biohub apuesta a que el siguiente avance de IA biológica necesita pruebas de laboratorio, no solo un modelo mayor. Anunciado el 7 de octubre de 2026, el programa reúne Google DeepMind, Meta, Isomorphic Labs, agencias federales e institutos para producir datos costosos de respuestas de células vivas a intervenciones.
Los 1.800 millones de dólares incluyen financiación, datos existentes, cálculo y medición. No es una sola ronda en efectivo. Los 300 millones corporativos proceden conjuntamente de tres empresas, no solo de Google. Tampoco se anuncia una célula terminada: el gran conjunto y modelos fiables siguen como objetivos.
Cuatro recursos, no una caja intercambiable
DeepMind, Meta e Isomorphic Labs de Alphabet invierten juntas 300 millones sin desglose. El Departamento de Energía planea más de 500 millones en cinco años para medición, imágenes, modelos, cálculo y recogida en laboratorios nacionales.
NIH coordinará repositorios y datos producidos por inversiones federales anteriores superiores a 500 millones. Biohub quiere estandarizarlos para IA. No es otra aportación nueva de NIH en efectivo del mismo importe.
Biohub comprometió 500 millones al iniciar en abril de 2026, con 400 para microscopía avanzada, criotomografía electrónica y modificación de sistemas a varias escalas. El total reúne recursos distintos, no solo dinero nuevo.
La organización de Mark Zuckerberg y Priscilla Chan cita Allen Institute, Broad Institute, Gladstone Institutes, Human Cell Atlas, Human Protein Atlas y Wellcome Sanger Institute. Nvidia aportará tecnología y conocimiento computacional. Estándares, identificadores y acceso central son parte científica del trabajo.
Diseños, etiquetas, instrumentos y controles distintos pueden enseñar al modelo qué laboratorio midió y no la biología. Experimentos coordinados, metadatos y procesamiento compatible deben acompañar la escala. Alex Rives espera el gran conjunto dentro de un año, alrededor de octubre de 2027, y modelos precisos en cinco. Son metas sin criterio universal de éxito ya fijado.
Medir antes de predecir
Una célula virtual puede ser un programa específico, no animación o simulador universal. Las preguntas incluyen silenciar genes, añadir compuestos, cambiar nutrientes o condiciones de enfermedad y sus efectos moleculares y de comportamiento.
Las salidas abarcan expresión, proteínas, estructura, señales y respuestas. Hacen falta pares antes y después de cambios controlados, repetidos entre células, condiciones, dosis y tiempos. Las colecciones públicas tienen cientos de millones de observaciones; Rives habla de miles de millones y después billones.
La cantidad no basta. Un billón de medidas mal documentadas amplifica sesgos. La transcriptómica espacial conserva posición en tejido, la criotomografía muestra estructuras internas tridimensionales y los cribados de perturbación miden respuestas genéticas o ambientales. Son capas diferentes, no sustitutos.
El programa une moléculas, células, tejidos y organismos. Pushmeet Kohli de DeepMind subrayó un acervo abierto y estandarizado de respuestas experimentales. AlphaFold aporta experiencia estructural y de interacciones, pero la célula dinámica no es simplemente un problema de proteína mayor.
Un equipo de alzhéimer podría ordenar intervenciones por efecto e incertidumbre antes de experimentar. El laboratorio sigue haciendo la medición decisiva; el modelo aprende y selecciona el siguiente test informativo. El aprendizaje activo mejora la selección, no elimina experimentos.
Generalizar es difícil. Una línea no necesariamente representa tejido humano primario ni una dosis otra. Donante, desarrollo, enfermedad, vecinos, nutrientes y tratamientos cambian respuestas. Modelos útiles limitados pueden llegar antes del universal.
La infraestructura compartida da ventaja privada
Biohub promete apertura final a la ciencia. Según Rives, los datos públicos no tendrán embargo privado. Los financiados por empresas darán acceso temporal previo a sus financiadores, con duración no anunciada.
El incentivo paga experimentos caros pero permite a socios ricos crear modelos y métodos antes de universidades y pequeñas biotecnológicas. La apertura posterior no elimina la ventaja temporal.
Isomorphic Labs descubre fármacos, donde las perturbaciones ayudan a objetivos y compuestos. DeepMind tiene experiencia biológica. La ruta comercial directa de Meta es menos clara pese a investigación y vínculo de Zuckerberg. Cooperar no acaba la competencia.
La credibilidad depende de embargos, licencias, metadatos, descargas y negativos. El modelo debe aprender ausencia de efecto, no solo resultados interesantes publicados. Las fichas requieren métodos, donantes, contextos, límites y calidad, con correcciones para externos.
Identificadores estables, versiones archivadas y acceso duradero apoyan reproducción. Archivos abiertos no pagan computación académica; Nvidia tampoco decide ya el reparto. Acceso, cálculo, modelos y privacidad dirán si es infraestructura común o activo empresarial publicado después.
Datos propietarios concentran capacidad y limitan examen; financiación solo pública podría no atraer capital o velocidad equivalentes. La fundación OpenAI con datos médicos y biológicos y el trabajo de laboratorio Anthropic muestran la importancia estratégica. La prueba es gobernanza, no Google contra Meta.
Los tests separan dinero y precisión
El primer desafío Arc predecía expresión tras supresión de genes en células madre embrionarias humanas: unos 300.000 perfiles unicelulares y 300 perturbaciones. Más de 5.000 personas de 114 países se registraron, más de 1.200 equipos enviaron y más de 300 completaron sus entregas finales.
Arc informó de que los modelos no superaban consistentemente referencias simples en todas las métricas. Los mejores distinguían perturbaciones y genes alterados mezclando aprendizaje profundo y características estadísticas clásicas. El extremo a extremo puro no resolvía. No prueba imposibilidad, sino el límite de datos conocidos para biología desconocida.
El desafío 2026 exige respuestas en seis líneas sin sus perturbaciones en entrenamiento, un entorno cero-shot más cercano a investigación. STATE aprendió de observaciones de 167 millones de células y perturbaciones de más de 100 millones en 70 contextos humanos. Aun así cubre escasamente la posibilidad biológica.
La expresión no es el único desenlace. Posición proteica, forma, metabolismo, toxicidad y comunicación pueden cambiar sin firma transcripcional clara. Ordenar objetivos ayuda sin permitir predicción clínica. Distintas preguntas necesitan modelos, medidas e incertidumbres diferentes.
La meta de cinco años exige definir células, intervenciones, laboratorios, condiciones nuevas y error tolerable. Laboratorios independientes con otros equipos y muestras deben reproducir. Un estudio prospectivo donde el modelo elige experimentos y mejora decisiones vale más que visualizaciones y clasificaciones retrospectivas.
Los próximos hitos son pruebas, no tratamientos
El primer conjunto debe juzgarse por células, intervenciones, dosis, tiempos, donantes, negativos, medidas brutas y metadatos, no solo volumen. Una salida estrecha o tardía debilita el calendario; estándares e interoperabilidad sirven aunque la célula universal tarde.
Los tests deben superar memoria y artefactos hacia tejidos desconocidos, química, plazos largos y medidas fuera de expresión. Importa beneficio experimental prospectivo independiente. Fármacos más rápidos siguen como hipótesis; toxicidad, fabricación, ensayos y regulación permanecen.
Deben publicarse socios prioritarios, períodos, fechas de apertura y correcciones. Así habrá comparación justa en vez de vender resultados elegidos como inteligencia biológica amplia.
El producto cercano para ciencia y biotecnología son datos, estándares, instrumentos y modelos experimentales, no tratamiento el próximo año. Biohub financia trabajo físico que la IA no extrae de internet. Primera publicación, pruebas independientes y gobernanza eficaz mostrarán si surge ciencia compartida fiable.
Fuentes
Ampliación Biohub · Condiciones financieras y de acceso · Falta de datos biológicos · Resultados del reto Arc · Programa de célula virtual Arc · Definiciones de célula virtual · Cobertura original