Una startup busca democratizar el análisis del ADN con álgebra matemática e inteligencia artificial

GeneGebra, una biotech uruguaya-senegalesa que integra LAB+ del Institut Pasteur de Montevideo, quiere reducir el costo de los análisis genómicos de hasta $500 a menos de $10, transformando la representación del ADN en estructuras matemáticas compactas y potenciándolas con agentes de inteligencia artificial. Los fundadores, liderados por Xavier Berthet —exdirector científico del Institut Pasteur de Dakar—, ya están validando la tecnología en tres continentes.

El mercado global de IA aplicada a la genómica está creciendo a un ritmo vertiginoso: según un informe de ResearchAndMarkets publicado en marzo de 2026, este sector alcanzó los USD 1.970 millones en lo que va del año y se proyecta que crezca a una tasa compuesta anual (CAGR) del 43,75% hasta alcanzar los USD 317.400 millones para 2040. Esta expansión responde a la convergencia entre secuenciación de nueva generación (NGS), que genera volúmenes masivos de datos genómicos, y herramientas de machine learning capaces de interpretar patrones invisibles para los métodos tradicionales.

Pero GeneGebra no compite procesando más datos con GPUs más grandes. Su propuesta es radicalmente distinta: cambiar la forma en que se representa el ADN desde su base. En lugar de trabajar con las 3.000 millones de letras que componen el genoma humano como secuencias de texto, el equipo descubrió una simetría en la organización del material genético que les permite convertirlo en matrices —tablas numéricas compactas— que se procesan orders de magnitud más rápido.

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

¿Cómo funciona el álgebra genómica y por qué es diferente?

La premisa central de GeneGebra es simple pero revolucionaria: el ADN no necesita representarse como un libro de texto gigante lleno de letras A, C, G y T. Según explica Xavier Berthet, "el álgebra genómico es una nueva forma de representar el lenguaje de la vida, no como un conjunto de letras, sino como un pequeño y compacto objeto matemático que se llama una matriz".

Esta aproximación tiene implicaciones profundas para la infraestructura computacional. Un análisis genómico tradicional requiere manejar ficheros de texto enormes, procesarlos paso a paso mediante pipelines bioinformáticos complejos y contar con especialistas que entiendan tanto de biología como de programación. El resultado: procesos que toman días y cuestan miles de dólares en recursos computacionales.

Con la representación matricial de GeneGebra, esos mismos análisis se reducen a minutos o, como máximo, una hora. La diferencia no es incremental: es estructural. Al transformar el ADN en objetos matemáticos compactos, se eliminan pasos intermedios de procesamiento, se reduce drásticamente el almacenamiento necesario y se simplifica la interfaz entre los datos crudos y los algoritmos de interpretación.

Esto no es teoría abstracta. El enfoque ya está siendo validado en terreno real. GeneGebra trabaja actualmente con el Institut Pasteur de Montevideo a través de LAB+, su programa de creación de empresas de base científica; con el Institut Pasteur de Dakar en Senegal; y con la Universidad de Stellenbosch en Sudáfrica. Estos tres centros representan laboratorios de referencia mundial en vigilancia epidemiológica y genómica tropical.

El problema que nadie resolvió: escasez de bioinformáticos

Uno de los cuellos de botella más graves en genómica moderna no es técnico —es humano. Los bioinformáticos, profesionales capaces de traducir datos genómicos en decisiones clínicas, son escasísimos fuera de Norteamérica y Europa occidental. Cuando existen en países de ingresos bajos y medios, están sobrecargados o simplemente no alcanzan para cubrir la demanda.

GeneGebra aborda este problema con dos soluciones simultáneas. Primero, la eficiencia computacional inherente al método matricial elimina la necesidad de equipos especializados para ejecutar los pipelines. Segundo, desarrollaron un agente de IA que asiste al médico en el análisis, ejecutando el trabajo técnico mientras la decisión final permanece en manos del profesional de salud.

"Hemos hecho un agente de IA que tiene los mismos conocimientos, pero dejamos la decisión en las manos del médico. Es decir, el agente va a hacer el trabajo sucio y el médico va a decidir si el resultado está bien o mal", explicó Berthet. Este modelo híbrido —IA + juicio clínico— es clave para la adopción en entornos con poca infraestructura médica.

De Uruguay al Sur Global: la estrategia geográfica

La elección de Uruguay como centro de desarrollo no fue casual. Berthet destaca dos razones fundamentales: primero, Uruguay forma parte del Sur Global y representa mercados donde todavía se formulan preguntas abiertas sobre salud pública y acceso tecnológico. Segundo, la empresa cuenta con respaldo financiero de inversores uruguayos que creen en la viabilidad del modelo.

Berthet se trasladó personalmente desde Senegal hasta Montevideo para establecer operaciones locales y contratar talento regional. La visión es clara: construir la tecnología en un país del Sur Global y luego expandirla hacia Europa, Estados Unidos y Latinoamérica.

El lanzamiento está previsto para enero de 2026, aunque esta fecha ya pasó sin confirmación pública adicional. Hasta agosto de 2026, la startup mantiene que sigue en fase de validación con sus socios institucionales.

Vigilancia epidemiológica en tiempo real: el otro gran应用场景

Más allá de la medicina personalizada, GeneGebra identifica un应用场景 particularmente disruptivo: la vigilancia de virus y bacterias en tiempo real. La propuesta consiste en instalar sensores ambientales en espacios de alta circulación —escuelas, estaciones de tren, aeropuertos— que aspiren aire, extraigan ADN ambiental y lo analicen instantáneamente.

Actualmente, no existe un sistema de vigilancia genómica en tiempo real escalable y económico. Los métodos actuales dependen de recolección manual de muestras, envío a laboratorios centralizados y procesamiento que puede tardar semanas. Con la tecnología de GeneGebra, ese ciclo se comprime a minutos, permitiendo detectar patógenos emergentes antes de que se propaguen.

"Una cosa que hoy en día no existe es la vigilancia en tiempo real. Con esta tecnología, se puede colectar un sensor de aire en una escuela, en una estación de tren, en un avión, que va a aspirar el aire, extraer el ADN y secuenciar y analizar todo en tiempo real", señaló Berthet. El sistema podría programarse para alertar automáticamente ante la detección de virus específicos, reduciendo significativamente el costo y mejorando la velocidad de respuesta ante posibles pandemias.

Qué significa esto para tu startup

Si estás construyendo una herramienta en el ecosistema de salud digital, biotecnología o IA aplicada, GeneGebra ofrece varias lecciones accionables:

Replantear la representación de datos: No siempre la solución está en procesar más rápido lo mismo. Cambiar la estructura fundamental de cómo se almacena y representa la información puede generar mejoras de orden de magnitud. Si trabajás con datos complejos (imágenes médicas, registros clínicos, señales biométricas), preguntate: ¿hay una representación matemática más eficiente que la actual?
IA como asistente, no como reemplazo: El modelo de "agente que hace el trabajo sucio, humano que decide" es probablemente la vía de adopción más viable en sectores regulados como la salud. Las startups que diseñen productos con este enfoque híbrido tendrán mayor tracción en mercados donde la responsabilidad clínica es crítica.
Validar en mercados emergentes primero: Validar tecnología en países del Sur Global tiene ventajas estratégicas poco explotadas: menor competencia regulatoria, necesidades más urgentes que aceleran la adopción y costos operativos menores. Si tu producto resuelve un problema real en un contexto de recursos limitados, escalar a mercados ricos será relativamente más sencillo.
Infraestructura como barrera de entrada: El costo oculto de las pipelines genómicas —donde entre un 15% y 40% de las ejecuciones fallan y se pierden recursos computacionales— demuestra que la infraestructura subyacente es un campo fértil para startups deeptech. Resolver problemas de confiabilidad y eficiencia operativa en workflows intensivos en datos puede ser tan valioso como el algoritmo mismo.