Radical Numerics: bioseguridad como carrera de IA

Por qué la bioseguridad se convirtió en una carrera armamentista de IA

El episodio que Latent Space publicó el 23 de septiembre con Eric Nguyen, cofundador y CEO de Radical Numerics, parte de un detonante concreto: el reciente ataque a Hugging Face atribuido a OpenAI y los filtros que Anthropic activa para detectar dos categorías sensibles (ciberseguridad y biología). La pregunta inevitable es qué ocurre con la bioseguridad, donde el mismo modelo capaz de generar una secuencia dañina también puede entrenarse para detectarla.

Nguyen lo planteó sin rodeos: la defensa está perdiendo esta batalla. Y su tesis central es que solo empujando el frontier de los modelos genómicos se puede mantener a raya el mismo avance que habilita el riesgo. La conversación se apoya en tres años de trabajo en Arc Institute — los modelos Evo y Evo 2 — que ya demostraron públicamente que una IA puede escribir genomas completos que luego se sintetizan y funcionan en el laboratorio.

De Evo y Evo 2 a Radical Numerics: la génesis de un mercado

La trayectoria importa porque explica por qué esta startup no es un improvisado. Nguyen trabajó en Stanford cuando casi nadie creía que los modelos de lenguaje genómico (GLM, por Genomic Language Models) servirían para algo real. Los biólogos no se convencían: no podían verificar el output ni veían aplicaciones más allá de lo que ya hacían. Persistió, ayudó a desarrollar Evo y luego Evo 2 en Arc Institute. Esos modelos, posteriormente, fueron utilizados por un equipo separado de Arc y Stanford para generar genomas completos de bacteriófagos que luego se sintetizaron en virus funcionales, según el reportaje.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

El salto a Radical Numerics no fue teórico. Según SiliconANGLE (15 de junio de 2026), la compañía lanzó con US$50M en funding seed para construir lo que llaman inteligencia biológica general. La ronda fue liderada por Emergence Capital y participaron Obvious Ventures, Triatomic Capital, Factory y First Spark Ventures. Patrick Collison, cofundador de Stripe, había respaldado el pre-seed anterior. Tres de los cuatro cofundadores (Michael Poli, Stefano Massaroli y Armin W. Thomas) vienen de Liquid AI, lo que da al equipo un pedigree de arquitectura de modelos de frontera.

El advisory board tampoco es accidental: incluye a Eric Horvitz (Chief Scientific Officer de Microsoft), Chris Ré (Stanford), George Church (Harvard) y Andrew Weber, exAssistant Secretary of Defense de EE. UU. para programas de defensa nuclear, química y biológica. Esa última ficha es la que confirma que la bioseguridad no es un ángulo de marketing: es un cliente real.

Pensar en ADN: la cadena de pensamiento de un modelo genómico

Uno de los momentos más interesantes de la charla es la analogía entre el chain-of-thought de los LLMs y lo que ya hacen los GLMs. Nguyen lo explicó con un experimento concreto: tomar un dataset de aptámeros de RNA, mostrarle al modelo solo los de menor puntaje, escalar progresivamente la calidad en la cadena, y pedirle que continúe el patrón por sí solo. El modelo recapituló puntajes altos que nunca había visto durante el entrenamiento.

El hallazgo importa porque replica, sobre secuencias biológicas, el mismo salto cognitivo que permitió a los LLMs razonar en lenguaje natural. Si el modelo "piensa" en el lenguaje del ADN, eventualmente entiende la impronta que el ambiente dejó sobre distintos genomas y puede extrapolar relaciones funcionales entre secuencias nuevas.

Los GLMs actuales de Radical Numerics ya generalizan bien a RNA y proteínas porque el ADN contiene marcadores claros para genes que codifican ARN y proteínas. Eso ocurre antes incluso de entrenar en modalidades adicionales como estructura 3D de proteínas, epigenética o lenguaje natural. La arquitectura es multimodal desde el diseño, no como un parche.

El contexto importa: los virus funcionales ya se sintetizaron

Para dimensionar el riesgo hay que mirar el paper publicado en Science el 6 de agosto de 2026 por el equipo de Brian Hie en Stanford y Arc Institute. Según MedicalDaily, los modelos Evo 1 y Evo 2 escribieron alrededor de 700.000 genomas candidatos; los investigadores seleccionaron 302 para síntesis, lograron construir 285 y obtuvieron 16 bacteriófagos viables, una tasa de acierto del 5,6%. La clave: nueve coincidieron exactamente con la secuencia generada y siete adquirieron mutaciones tras insertarse en bacterias.

Lo médicamente relevante es que varios fagos diseñados mostraron lisis más rápida o mayor fitness que la referencia natural, y un cóctel de ellos venció resistencias en cepas de E. coli donde una mezcla de fagos naturales no pudo. Para una enfermedad donde se reportan más de 2,8 millones de infecciones resistentes a antibióticos al año solo en EE. UU., una herramienta así cambiaría los tiempos de matching entre bacteria y fago.

El paper trae su propia advertencia de bioseguridad, firmada por Thomas Inglesby y Moritz Hanke del Johns Hopkins Center for Health Security: "la habilidad de diseñar un genoma viral con IA ya existe, las reglas para hacerlo seguro todavía no". El problema es estructural. Las empresas de síntesis de ADN filtran pedidos voluntariamente porque en EE. UU. no existe obligación legal de hacerlo. Y los filtros trabajan por similitud de secuencia contra genomas peligrosos conocidos, una arquitectura construida para secuencias que se parecen a algo existente. Un genoma generado por IA que no se parece a nada en la naturaleza pasa el filtro precisamente porque no se parece a nada registrado.

Por qué esta startup interesa aunque no trabajes en biodefensa

Radical Numerics no se presenta solo como un laboratorio de bioseguridad. Su mandato dual, descrito en el lanzamiento, es avanzar en diseño biológico para salud humana mientras construyen las defensas que protegen ese trabajo. Ya colaboran con una empresa de diagnóstico oncológico en detección de cáncer pancreático y multi-cáncer, y con un laboratorio nacional para detectar y caracterizar patógenos, ya sean naturales o diseñados por IA.

Su modelo preview, Omnii, apunta a detectar variantes regulatorias causales y a identificar patógenos generados o manipulados por IA. Para un founder biotech o healthtech, eso significa dos cosas concretas:

La capa de detección de biothreats se va a convertir en un commodity regulatorio. Si tu producto toca secuencias biológicas, diseñar desde el día uno un módulo de auditoría de origen de secuencias evita rehacer la arquitectura cuando un regulador te lo exija.
Los modelos multimodales sobre biología van a comerse el stack tradicional de bioinformática (pipelines separados para ADN, ARN, proteínas, epigenética). Integrar APIs tipo Omnii en flujos clínicos o de I+D te saca de pipelines rígidos y te acerca a un único modelo que razona sobre toda la biología de la célula.

Lo que cambia para founders hispanohablantes

Para founders en LATAM y España el atractivo no es replicar a Radical Numerics (la ventaja de Arc/Stanford en talento y datos es difícil de copiar), sino construir sobre la capa que ellos habilitan. Tres vectores:

Healthtech con IA: si tu roadmap incluye diagnóstico molecular, predicción de resistencia antimicrobiana o diseño de terapias personalizadas, los GLMs abiertos como Evo 2 son ahora infraestructura de base. Modelos entrenados en trillones de bases de ADN según el artículo de HPCWire están disponibles sin licencia, lo que baja la barrera de entrada para startups con poco capital.
Agro y biotech industrial: la misma capacidad de diseñar genomas completos aplica a cepas industriales, bioprocesos y enzimas. En mercados con cadenas agrícolas largas (México, Argentina, Chile, España), un GLM afinado a tu organismo objetivo es una tesis de diferenciación real.
Compliance y bioética: si tu cliente es un hospital, una farmacéutica o un laboratorio nacional, la trazabilidad de origen de secuencias sintéticas se va a volver requisito. Construir ese módulo hoy, con APIs que ya distinguen natural vs. IA-generado, te posiciona como proveedor serio cuando lleguen las primeras regulaciones obligatorias.

Riesgos abiertos que conviene tener en el radar

El paper en Science y la conversación de Latent Space coinciden en tres puntos de tensión que cualquier founder en bio debe vigilar:

La defensa pierde por ahora. Los modelos ofensivos avanzan más rápido que los defensivos porque los datos públicos de patógenos son abundantes y los filtros de síntesis son voluntarios. Esperar a que el regulador actúe es una mala apuesta; los clientes institucionales ya están buscando proveedores de detección.
No hay obligación legal de filtrar pedidos de ADN en EE. UU., según MedicalDaily. Eso significa que un competidor malintencionado con acceso a GPUs puede saltarse controles actuales. La presión va a caer sobre los proveedores de síntesis, no sobre los desarrolladores de modelos.
La objeción "modificar es más fácil que diseñar desde cero" sigue viva. Tom Ellis, de Imperial College London, sostuvo que el riesgo biosanitario real está en modificar patógenos existentes, no en diseñarlos desde cero. Nguyen, en cambio, defiende que ambos frentes empujan al mismo límite.

Para un founder, la lectura práctica es: invierte en detección antes de que sea obligatorio, integra auditabilidad de secuencias desde el MVP, y evalúa si tu tesis depende de un modelo cerrado o puede montarse sobre los GLMs abiertos que ya existen. La ventana de ventaja competitiva en bio-IA defensiva está abierta, pero se va a cerrar cuando los marcos regulatorios alcancen la capacidad técnica.