Célula virtual

Una célula virtual es un sistema informático que mantiene un estado biológico y responde a intervenciones sobre él. La definición operativa, que es la que usan quienes las construyen, se formula como una lista de cosas que un científico tiene que poder hacer: instanciar una célula, aplicarle un fármaco o una modificación genética, leer qué ha cambiado en varias capas a la vez, guardar ese estado, clonarlo y llevar las copias por caminos experimentales distintos.

La palabra clave es estado. La mayoría de los modelos de biología computacional que ya conoces hacen una predicción y terminan: le das una secuencia y te devuelve una estructura, le das un gen y te devuelve un perfil de expresión. Cada llamada empieza de cero. Una célula virtual, en cambio, recuerda lo que le has hecho, y la siguiente perturbación se aplica sobre la célula ya alterada. Eso es lo que en la jerga se llama un modelo de mundo, y es la diferencia arquitectónica que separa a estos sistemas de un predictor especializado.

Conviene decir con la misma claridad qué no es. No es un gemelo digital de tu cuerpo ni de ningún paciente: los prototipos actuales son líneas celulares de laboratorio, no personas. No es un microscopio: no observa nada, infiere. Y no es una simulación física de la química celular, que es la otra tradición y la veremos en la sección siguiente. Es un modelo estadístico entrenado sobre mediciones ajenas que produce una estimación de qué pasaría.

Esa última frase es el eje de toda la entrada. Un resultado que sale de una célula virtual no es un dato experimental. Es una hipótesis con formato de dato, y la diferencia se pierde muy fácilmente cuando el resultado llega en una tabla bonita.

Hay dos maneras muy distintas de intentar simular una célula, y confundirlas lleva a valorar mal lo que se anuncia.

La escuela mecanística es la clásica. Se describen explícitamente las especies moleculares, las reacciones entre ellas y las velocidades a las que ocurren, y luego se deja correr el sistema. La ventaja es enorme: cada predicción es trazable hasta la ecuación que la produjo, y si falla sabes dónde mirar. El coste también lo es: hay que especificar cada pieza, y eso ha confinado el enfoque a organismos pequeños y anormalmente bien caracterizados.

La escuela aprendida viene del lado opuesto. En vez de especificar reacciones, se entrena un modelo sobre millones de mediciones biológicas y se deja que extraiga los patrones. Es el linaje de los modelos que predicen estructura de proteínas o respuesta a perturbaciones. Generaliza a condiciones nuevas, escala con los datos y no exige entender el mecanismo. A cambio, cuando acierta no sabes bien por qué, y cuando falla tampoco.

AIDO Cell y todo lo que hoy se anuncia como célula virtual pertenece a la segunda escuela. Eso importa para graduarlo: un modelo aprendido no deduce, interpola. Cuando la pregunta cae dentro del espacio que ha visto, funciona muy bien. Cuando cae fuera, la respuesta sigue teniendo el mismo aspecto de confianza, y ahí es donde el usuario se equivoca. Es el mismo problema de fondo que hemos descrito en los límites de la secuenciación: la partitura no es la música.

AIDO Cell y todo lo que hoy se anuncia como célula virtual pertenece a la segunda escuela. Eso importa para graduarlo: un modelo aprendido no deduce, interpola. Cuando la pregunta cae dentro del espacio que ha visto, funciona muy bien. Cuando cae fuera, la respuesta sigue teniendo el mismo aspecto de confianza, y ahí es donde el usuario se equivoca. Es el mismo problema de fondo que hemos descrito en los límites de la secuenciación: la partitura no es la música.

El contraejemplo que demuestra que la distinción no es académica. Mientras la célula virtual sigue sin validación clínica, hay un simulador biológico que sí la tiene, y pertenece a la otra escuela. En abril de 2026, New England Journal of Medicine publicó los resultados de un ensayo prospectivo que usó gemelos digitales del corazón para guiar la ablación de taquicardia ventricular en diez pacientes con infarto previo. El estudio se registró como ensayo clínico y se ejecutó bajo exención de dispositivo en investigación de la FDA.

La clave está en cómo se describen esos gemelos digitales en el propio trabajo: como modelos computacionales mecanísticos de órganos. No son modelos aprendidos de datos. Se construye la anatomía del corazón concreto de cada paciente a partir de su resonancia, distinguiendo tejido sano de tejido cicatricial, y se simula sobre esa geometría la propagación eléctrica usando ecuaciones de electrofisiología conocidas. Después se ensaya el procedimiento en pantalla antes de hacer la primera lesión real.

Y de ahí sale la conclusión que ordena toda esta entrada. El gemelo cardíaco pudo validarse prospectivamente en humanos porque la física de su sistema se conoce: hay ecuaciones para la conducción eléctrica del miocardio y hay una resonancia que da la geometría medida. La célula virtual no tiene ese privilegio, porque nadie tiene las ecuaciones de una célula, así que hay que aprenderlas de datos y no existe manera de comprobarlas del mismo modo. No es que un equipo vaya más rápido que otro: es que son problemas de clases distintas.

Conviene además calibrar el peso de ese ensayo, porque va a contarse peor de lo que es. Son diez pacientes, un solo centro y una publicación en formato de correspondencia, no un artículo original. Eso es N3 y ni un escalón más. Pero fija el estándar que a lo demás le falta: registro previo, cobertura regulatoria, diseño prospectivo y desenlaces publicados. Cuando una simulación pasa por ahí, se gana un nivel. Mientras no, se queda bajo el suelo.

La ambición no es nueva. El primer modelo de célula completa que funcionó de verdad fue el de Mycoplasma genitalium, publicado en 2012: un organismo con unos pocos centenares de genes, elegido precisamente por ser el más simple disponible. Después llegaron el genoma bacteriano mínimo JCVI-syn3.0, con 473 genes, y modelos parciales de E. coli y de levadura. Todos ellos, de la escuela mecanística.

El salto conceptual llegó en 2024, cuando un consorcio amplio publicó en Cell un roadmap comunitario para construir la célula virtual con inteligencia artificial, con firmas repartidas entre EPFL, Stanford, la Chan Zuckerberg Initiative, Genentech, Google Research y Harvard. Ese documento hizo dos cosas: dio nombre al objetivo y lo convirtió en una agenda coordinada en vez de en proyectos sueltos.

Desde entonces el cuello de botella ha dejado de ser el cómputo. Es el dato, y en dos sentidos. Primero, porque los atlas celulares que alimentan estos modelos cubren bien unas pocas líneas de laboratorio y muy mal casi todo lo demás, empezando por los tejidos que no se pueden muestrear masivamente. Segundo, y más incómodo, porque las mediciones hechas en distintos tipos celulares o en distintas condiciones experimentales no siempre concuerdan tan limpiamente como sugiere un benchmark. Un modelo entrenado sobre datos que discrepan entre sí hereda esa discrepancia sin avisar.

Merece la pena situar esto junto a la otra carrera de frontera que ya hemos cubierto, la de la reprogramación celular. El patrón se repite: ambición declarada muy por delante de la validación disponible, y una comunidad inversora que financia la primera esperando la segunda.

AIDO Cell se presentó el 18 de agosto de 2026. La arquitectura tiene dos piezas: un motor de simulación, que es el modelo de mundo propiamente dicho y guarda el estado, y una capa de control alrededor que traduce las órdenes del investigador en pasos que el motor puede ejecutar y lleva la cuenta de la historia de la célula. Varias células virtuales pueden compartir el mismo motor manteniendo trayectorias separadas.

GenBio reivindica tres propiedades. La primera son lecturas multimodales coherentes: accesibilidad de la cromatina, marcas de histonas, unión de factores de transcripción, expresión, uso de isoformas, estructura e interacción de proteínas, localización, abundancia y morfología, todas decodificadas del mismo estado compartido y consultables sin alterarlo. La segunda es la simulación multiescala, que permite subir y bajar del ADN a la forma de la célula sin cambiar de modelo. La tercera es la experimentación multi-turno: no hay límite de perturbaciones encadenadas y la célula se puede clonar para abrir ramas y compararlas.

La versión 1.0 funciona sobre dos líneas celulares humanas. K-562, procedente de un paciente con leucemia, y Hep-G2, de un cáncer de hígado. No es una elección casual: son dos de las líneas más estudiadas del mundo, con más de medio siglo de literatura y una montaña de datos multiómicos detrás. Sobre ellas, GenBio dice haber simulado un millón de perturbaciones aleatorias quíntuples por línea, combinando knockouts, silenciamientos, sobreexpresiones y moléculas pequeñas, para construir un atlas donde cada punto es un estado simulado.

Alrededor del simulador hay dos piezas más: AIDO Foundry, que adapta el motor a contextos biológicos nuevos según entran datos experimentales, y AIDO Lab, que es la interfaz donde se trabaja. El acceso, hoy, está restringido a un grupo de colaboradores en fase alfa.

GenBio AI tiene sede en Palo Alto y oficinas en París y Abu Dabi. El dato que más pesa es su cofundador: David Baker, de la Universidad de Washington, que compartió el Nobel de Química de 2024 por su trabajo en diseño computacional de proteínas. Su comparación pública para explicar el salto es que si AlphaFold predice la estructura de una casa, AIDO Cell intenta predecir cómo funciona la ciudad entera. El otro nombre visible es Eric Xing, cofundador, presidente y director científico.

Sobre NVIDIA conviene calibrar, porque en este sector el titular se infla solo. Lo anunciado en junio de 2026 es una colaboración por la que GenBio integra BioNeMo, Megatron, los microservicios NIM y el BioNeMo Agent Toolkit en su propio stack. Es integración tecnológica y nota de prensa conjunta, no inversión ni participación accionarial. Para calibrar la distancia: NVIDIA sí mantiene un laboratorio de coinnovación con Eli Lilly con hasta mil millones de dólares comprometidos, y sí tiene participación en otras biotecnológicas. GenBio está un escalón por debajo de eso.

El argumento comercial de la empresa se apoya en una cifra de la industria que ellos mismos citan: de cada diez mil compuestos que entran en el pipeline de desarrollo, solo uno llega de media a la clínica, en un proceso que supera la década y los dos mil millones de dólares por fármaco aprobado. Si un simulador descarta antes las hipótesis imposibles, el ahorro es enorme. El argumento es correcto en su forma; lo que está por demostrar es que el simulador descarte las correctas.

Sobre su propio calendario, Xing sitúa el estado actual en un momento equivalente al de GPT-1 o GPT-2, y calcula dos o tres iteraciones más antes de que haya algo que califique como oferta comercial. Es una declaración honesta y conviene tomarla en serio en las dos direcciones: reconoce inmadurez, y también anuncia que la cosa va rápido.

Para medirse, GenBio construyó el Virtual Cell Benchmark 1.0, que agrega atlas biológicos públicos en 31 métricas repartidas en cinco familias de tareas: perturbación por molécula pequeña, knockout genético, estructura de monómeros y multímeros de proteína, splicing de ARN y regulación genómica. Sobre ese benchmark, AIDO Cell 1.0 declara estado del arte en 24 de las 31 métricas.

El argumento de fondo no es el número, es la amplitud: según la comparativa publicada, AIDO Cell es el único sistema que abarca las cinco familias, mientras que cada rival cubre como mucho dos. Donde pierde lo dice con nombres: AlphaFold 3 conserva ventaja en interacciones proteína-ADN, isoDDE en acoplamiento proteína-ligando y AlphaGenome en pistas de regulación seleccionadas.

Ahora la letra pequeña, que es lo que aquí nos ocupa. El benchmark es suyo. Lo diseñó la misma empresa cuyo modelo gana, y eso no lo invalida pero lo degrada: un resultado autoevaluado no tiene el peso de uno arbitrado. La comparación relevante la ofrece el propio texto de GenBio, y es reveladora que la hagan ellos: la predicción de estructura de proteínas tuvo CASP, una competición ciega organizada por la comunidad, y por eso el campo pudo comprobar de forma independiente cuándo un modelo alcanzaba precisión experimental.

Para simulación celular multiescala no existe todavía ese CASP, y GenBio lo escribe con todas las letras: hace falta un estándar que diga cuándo una simulación es lo bastante fiel como para sustituir un experimento real, ese estándar es incipiente y, en su opinión, debería pertenecer al campo y no a un laboratorio concreto. Es una posición honesta. También es, leída al revés, la admisión de que hoy nadie puede certificar desde fuera lo que estos sistemas afirman.

GenBio apoya la afirmación de coherencia en casos de estudio. El principal parte de K-562, una línea impulsada por la proteína anómala BCR-ABL1, que mantiene encendidas las señales de crecimiento. El imatinib, uno de los fármacos dirigidos que cambiaron la oncología, bloquea esa proteína. El simulador reproduce la supresión esperable de los programas de crecimiento y supervivencia, y luego GenBio modifica la célula: introduce la mutación T315I, conocida por conferir resistencia al imatinib. La estructura simulada muestra al fármaco perdiendo agarre sobre su diana. Se le da entonces ponatinib, desarrollado precisamente contra T315I, y el acoplamiento vuelve.

Contado así impresiona, y es justo reconocer que la secuencia es elegante. Pero hay que ser preciso sobre qué se ha demostrado: toda esa cadena es biología que ya conocíamos. Que el imatinib inhibe BCR-ABL, que T315I da resistencia y que el ponatinib la sortea son hechos establecidos desde hace años y presentes en la literatura con la que se entrenó el modelo. Reproducir relaciones conocidas es un requisito mínimo, no una prueba de capacidad predictiva. Es aprobar el examen con los apuntes delante.

El segundo caso va algo más lejos. Partiendo de la célula virtual de hígado, se silencia HMGCR, la enzima que bloquean las estatinas, y aparecen tanto la respuesta esperada sobre el colesterol como una señal aumentada de apoptosis que los investigadores usan como sustituto de toxicidad. Desde ese estado alterado se busca por ordenador una segunda intervención genética que conserve el efecto sobre el colesterol y reduzca la señal indeseada, y un candidato, la sobreexpresión de PPARGC1A, lo consigue. El rescate es real dentro de la simulación y ha ocurrido cero veces fuera de ella.

El tercer bloque es el más comercialmente relevante: el diseño molecular en contexto. En vez de buscar una molécula que encaje en un bolsillo proteico, se define el estado celular deseado y el sistema genera candidatos que lo alcancen. En la campaña contra ABL1, varios de los diseños generados aterrizan cerca del imatinib en el atlas de perturbaciones y recuperan entre el 65 y el 88 por ciento de sus genes diferencialmente expresados con una química completamente distinta.

Ese rango merece una lectura fría. Recuperar el 65 por ciento de los genes que mueve un fármaco no significa parecerse al fármaco en un 65 por ciento; significa que un tercio de su firma transcripcional no se reproduce, y en farmacología el tercio que falta es exactamente donde suelen vivir la toxicidad y los efectos fuera de diana. Es un resultado interesante para priorizar candidatos. No es un resultado sobre el que nadie vaya a dosificar a un ser humano.

Aquí es donde la conversación cambia de tono, y por eso esta sección existe. En agosto de 2025, tres investigadores del EMBL de Heidelberg, del BioQuant y del UCL Cancer Institute publicaron en Nature Methods una comparación deliberadamente incómoda: enfrentaron cinco modelos fundacionales y dos modelos adicionales de aprendizaje profundo contra líneas base intencionadamente simples, para predecir cambios del transcriptoma tras perturbaciones simples y dobles.

El resultado, tal cual: ninguno superó a las líneas base. Los autores lo enmarcan como un argumento sobre la importancia del benchmarking crítico a la hora de dirigir y evaluar el desarrollo metodológico, que es la forma cortés de decir que el campo llevaba tiempo midiéndose contra sí mismo.

Y hay un detalle que remata el punto. Uno de los conjuntos de datos que usaron es el de Replogle sobre K562, es decir, exactamente la misma línea celular que GenBio elige como prototipo estrella. No es que la crítica venga de un rincón distinto del campo: viene del mismo terreno de juego.

Conviene no sobreinterpretarlo en la dirección opuesta. Ese trabajo evalúa predicción de perturbación génica, no la propuesta multiescala completa de AIDO Cell, que es más amplia. Pero la carga de la prueba se mueve: cuando una comparación arbitrada muestra que los modelos fundacionales de este linaje no baten a una regresión lineal, el siguiente sistema que se presente tiene que demostrarlo fuera de casa, no en su propio benchmark.

El propio Xing es explícito sobre el problema de fondo. Reconoce que la validación sigue abierta, que lo único que pueden hacer hoy es reservar datos de entrenamiento y ver si el modelo los predice, que incluso cruzando modalidades y escalas eso es muy limitado, y que el patrón oro de la validación son los experimentos reales de laboratorio. Dice tener resultados experimentales alentadores con proteínas de unión diseñadas en contexto, y los califica él mismo de pequeños y anecdóticos. Ese adjetivo es suyo, no nuestro.

KRECE gradúa toda su cobertura con una pirámide de evidencia propia que va de N0 a N5: N0 es in vitro, células en el laboratorio; N1 modelos animales; N2 mecanístico humano; N3 ensayos de fase 1 y 2; N4 ensayos controlados aleatorizados; N5 revisiones sistemáticas y metaanálisis. Nada entra al catálogo sin N1 documentado.

Esa escala tiene un problema, y esta entrada existe en parte para arreglarlo: no tenía suelo. Empezaba en N0 y no decía nada de lo que hay por debajo. Mientras tanto, la evidencia in silico lleva años entrando en la literatura de este sector sin nivel asignado, y también en nuestras propias piezas.

La posición queda fijada aquí. Una predicción in silico no es un nivel de la pirámide: está por debajo del suelo. El motivo no es esnobismo metodológico, es una diferencia de naturaleza. N0 es magro y limitado, pero es una observación: alguien puso células en una placa, aplicó algo y midió lo que pasó. Una simulación no observa nada. Produce una estimación a partir de observaciones que hicieron otros, en otros sistemas, y esa estimación hereda todos los sesgos del conjunto de entrenamiento sin declararlos.

De ahí se sigue una regla práctica sencilla. Un resultado in silico sirve para generar y priorizar hipótesis: decidir qué experimento merece la pena, qué candidato pasa a la placa, qué vía se explora primero. No sirve como respaldo de nada que se administre a nadie. Cuando una fuente presenta un acoplamiento molecular, un cribado computacional o una predicción de modelo como si fuera prueba de eficacia, lo que está haciendo es saltarse toda la pirámide de un brinco.

Aplicado a lo que estamos comentando: los casos de AIDO Cell son, en el mejor de los supuestos, generadores de hipótesis muy sofisticados. Eso no es poco. Pero está a cuatro escalones de que signifique algo para una decisión clínica.

Puede parecer que esto queda lejos de un vial, y no lo está. La literatura de péptidos lleva mucho tiempo usando evidencia computacional como si fuera evidencia a secas, y la llegada de simuladores potentes va a multiplicar el problema en vez de resolverlo.

Los ejemplos están en nuestro propio catálogo, y por eso los citamos. Al hablar del GHK-Cu registramos un hallazgo de acoplamiento molecular que propone activación de SIRT1: es una propuesta computacional, sin validación clínica, y así queda dicho. Al reconstruir la historia del epitalón aparece el caso más ilustrativo de todos: el grupo de Khavinson construyó modelos de acoplamiento para casi una veintena de péptidos cortos y propuso que cada uno reconoce secuencias concretas de ADN, de modo que un solo péptido podría regular decenas de genes. Toda una teoría de la biorregulación peptídica edificada, en buena parte, sobre docking. Y en la pieza sobre HMGB1 describimos un modelo generativo que produce más de setecientas secuencias peptídicas de unión por segundo a partir de la geometría del bolsillo del receptor.

Ese último es el que anticipa lo que viene. Cuando un vendedor de péptidos RUO empiece a ofrecer secuencias diseñadas por inteligencia artificial como argumento de calidad, estará vendiendo la etiqueta de una predicción como si fuera un resultado. Es blanqueo de evidencia con vocabulario nuevo, y funciona porque suena a futuro.

Qué hacer con ello es simple y es lo mismo de siempre, solo que ahora hay que decirlo también para esto. Si un producto se apoya en un cribado computacional, un acoplamiento o una predicción de modelo, eso no cuenta como evidencia de que funcione, exactamente igual que un certificado de pureza no cuenta como evidencia de que sirva para algo. Pureza no es eficacia y predicción tampoco. Son dos preguntas distintas y ninguna de las dos responde a la tercera, que es si merece la pena.

Hay una cara amable, y es honesto darla. Si estos sistemas maduran, el beneficiario será el paciente: menos candidatos malos ocupando ensayos, ciclos más cortos, y sobre todo la posibilidad de modelar contextos biológicos que hoy no se pueden muestrear. Pero ese beneficio llega por el circuito del desarrollo de fármacos, con su regulador y sus ensayos. No llega en un vial comprado por internet.

Lo esencial: ninguna predicción de una célula virtual sostiene una decisión clínica, de dosificación ni de suplementación. Ni hoy ni con la próxima versión. Si una fuente te ofrece un resultado de simulación como motivo para tomar algo, ese es motivo suficiente para desconfiar de la fuente entera.

Los límites declarados por la propia versión 1.0 son amplios y conviene tenerlos presentes. El sistema todavía deja fuera la regulación proteica más fina, incluidas las modificaciones postraduccionales y el recambio de proteínas, buena parte de la señalización detallada, los metabolitos y subproductos metabólicos, y el modelado de cómo evolucionan los estados biológicos a lo largo del tiempo. Esa última ausencia no es menor: casi toda la farmacología que importa es cinética.

A eso se suma el límite de cobertura. Dos líneas celulares tumorales no son un cuerpo humano, por muy caracterizadas que estén. Una célula de leucemia y una de hepatocarcinoma inmortalizadas en cultivo llevan décadas divergiendo de cualquier tejido real, y extrapolar de ahí a fisiología humana normal es exactamente el salto que la pirámide de evidencia existe para frenar.

Sobre doble uso, GenBio ha puesto barreras explícitas y merece reconocerlo. El sistema no admite entradas virales ni bacterianas, con lo que no puede usarse directamente para optimizar el diseño de un patógeno ni para inferir su efecto sobre células humanas. Su capacidad generativa está acotada a moléculas terapéuticas, moléculas pequeñas, anticuerpos y nanocuerpos, orientadas a rescatar estados celulares enfermos. El acceso se concede caso por caso y bajo condiciones que prohíben expresamente el uso para causar daño.

Es una postura razonable en un terreno donde la bioseguridad va a pesar cada vez más. También es, inevitablemente, una autorregulación: la garantía la da la empresa sobre su propio producto, y no hay todavía un marco externo que la verifique.