Fabian Theis: la célula virtual y los US$1.800M de Biohub

La célula virtual entra en su fase de US$1.800M

US$1.800M en compromisos públicos y privados es la cifra que devolvió a la célula virtual al centro de la conversación en AI x Bio. El 7 de octubre, Biohub —la organización filantrópica de Mark Zuckerberg y Priscilla Chan— anunció que el Departamento de Energía (DOE), los National Institutes of Health (NIH), Google DeepMind, Meta e Isomorphic Labs se sumaban a su Virtual Biology Initiative, según reportó CNBC.

Para un founder que construye en biotech o en infraestructura de IA aplicada, el titular no es lo importante: el desglose sí. Biohub ya había comprometido US$500M en abril. Google DeepMind, Meta e Isomorphic Labs aportan US$300M en conjunto, no US$300M cada uno. El DOE destina más de US$500M repartidos en cinco años a medición de laboratorio, cómputo y modelado. Y el NIH aporta recursos construidos con más de US$500M de financiamiento federal anterior: no es dinero nuevo, son datasets y repositorios que Biohub va a estandarizar para entrenar modelos.

Esa distinción importa. Un compromiso de US$1.800M que mezcla caja nueva con activos existentes cuenta una historia distinta a la de una ronda de venture capital, y cualquier founder que negocie con agencias públicas o filantropías debería leerla así.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Qué es una célula virtual y por qué cuesta tanto construirla?

Una célula virtual usa mediciones de experimentos reales para predecir cómo responde una célula a una intervención: un fármaco, una edición genética, un cambio en su entorno. La promesa es que un científico pueda hacer experimentos digitalmente antes de gastar meses y presupuesto en el laboratorio.

Alex Rives, jefe de ciencia de Biohub, puso la brecha en números concretos: los datasets actuales cubren cientos de millones de células, mientras que un modelo predictivo preciso necesitaría miles de millones y, eventualmente, billones. Su expectativa es tener un primer dataset en aproximadamente un año y modelos predictivos precisos en cinco años.

El cuello de botella es físico, no computacional. Los datos salen de transcriptómica espacial —que mapea actividad molecular dentro de tejido intacto—, de cribados que registran respuestas celulares y de técnicas de imagen como la criomicroscopía electrónica. El DOE aporta capacidades de sus laboratorios nacionales, incluyendo cómputo exascale e instrumentación de imagen; NVIDIA contribuye con cómputo acelerado y soporte técnico. Se sumaron también el Allen Institute, el Broad Institute, los Gladstone Institutes, el Human Cell Atlas, el Human Protein Atlas y el Wellcome Sanger Institute, según Reuters.

Hay un detalle con implicancias comerciales directas: los datasets se publicarán, pero las empresas que financian la investigación obtienen un año de acceso exclusivo a los datos que ayudan a generar. El trabajo financiado con dinero público no tiene esa restricción.

El problema que la IA todavía no resuelve en biología

La atención reciente en AI x Bio se fue hacia el diseño de proteínas y moléculas —AlphaFold, ESM, Chai, Isomorphic, Boltz, Genesis, Octant—. Los proyectos de célula virtual, en cambio, perdieron brillo por una razón incómoda: los modelos grandes no siempre funcionan.

El Arc Virtual Cell Challenge de 2025 lo dejó expuesto. Varios trabajos mostraron que baselines constantes —ni siquiera lineales— superaban a modelos sofisticados en predicción de perturbaciones. Es decir: si cambias la programación de una célula con edición genética, fármacos o factores ambientales, muchos modelos no logran anticipar mejor que un promedio fijo cómo va a cambiar su estado.

La situación tiene un matiz que suele omitirse. Un paper citado en el análisis de origen muestra que muchas métricas de evaluación están mal calibradas: premian una predicción media poco informativa porque la mayoría de los genes apenas cambia. Con métricas mejor calibradas, los modelos de deep learning sí superan al baseline.

Fabian Theis: el problema no es el algoritmo, son los datos

Fabian Theis dirige el Computational Health Center de Helmholtz Munich, que combina IA, datos moleculares, imagen médica, genómica y datos clínicos para construir modelos predictivos y mecanísticos de medicina de precisión. Su tesis es directa: la predicción de perturbaciones con los datasets actuales no es un problema lo bastante difícil como para justificar algoritmos complejos.

El problema interesante es otro, y es exactamente el que la iniciativa de US$1.800M financia: usar datos biológicos grandes, de alta precisión, multi-escala y co-registrados para predecir la evolución de moléculas → células → nichos → tejidos → órganos → organismos, y cómo cada escala afecta a las demás.

Las preguntas que Theis quiere responder son de otro nivel de dificultad:

¿Cómo cambian mi estado las células que tengo cerca?
¿Qué le pasa a una distribución entera de células cuando aplico una perturbación?
¿Cómo perturbo una célula para llevarla al estado que quiero?

Ninguna se resuelve con un baseline constante. Todas apuntan a un laboratorio automatizado en el loop, donde el modelo propone el siguiente experimento y el experimento corrige al modelo. El análisis de origen enmarca la discusión en la Bitter Lesson de la biología: la tensión entre métodos que escalan con cómputo y métodos que codifican conocimiento experto a mano.

Theis no es solo un académico observando el fenómeno. Fortune reportó que se sumó al consejo científico de Cellular Intelligence, una empresa de Boston que busca predecir y controlar el comportamiento celular, junto a Robert Langer —cofundador de Moderna— y Yann LeCun, ganador del Premio Turing 2018. La combinación de genómica, biología del desarrollo e IA que describe su CEO, Micha Breakstone, es la misma apuesta que Helmholtz viene haciendo desde hace años.

¿Qué significa esto para tu startup?

1. El cuello de botella está en la generación de datos, no en el cómputo. Si tu producto toca instrumentación, automatización de laboratorio o estándares de datos biológicos, hay una ventana abierta: según el análisis de origen, el DOE y el NIH están desarrollando capacidades de automatización de laboratorio en el loop a escala, y Biohub necesita que laboratorios distintos puedan combinar sus mediciones en datasets entrenables. Las startups que resuelvan interoperabilidad tienen compradores institucionales con presupuesto plurianual.

2. Si construyes modelos, cambia tu benchmark. El leaderboard de predicción de perturbaciones ya no dice nada. La métrica que importa es si el modelo predice respuestas celulares en experimentos que no vio durante el entrenamiento. Cualquier pitch que se apoye en métricas mal calibradas es frágil ante el primer cliente farmacéutico serio.

3. El acceso temprano es un activo negociable. Las empresas que financian la investigación obtienen un año de exclusividad sobre los datos que ayudan a generar. Para una startup sin laboratorio propio, eso redefine la estrategia: puede ser más valioso asociarse a la generación de datos que competir por el mejor modelo.

4. Construir sobre datos abiertos es una vía de entrada sin capex. Los datasets serán públicos y el trabajo financiado con dinero público no tiene embargo. Para equipos en LATAM o España, sin acceso a laboratorios de frontera, esa apertura es la diferencia entre observar el sector y participar en él.

Conclusión

La célula virtual pasó de promesa a programa con presupuesto, calendario y socios industriales. Pero el propio Theis marca el límite: sin datos multi-escala de alta precisión, los algoritmos más sofisticados siguen perdiendo contra un promedio. La apuesta de US$1.800M es, en el fondo, una apuesta a que el problema correcto —y no el modelo más grande— es lo que desbloquea la biología predictiva.