Pinal y Carbon-X: IA que diseña proteínas y lee ADN

¿Qué pasó con el diseño de proteínas por lenguaje natural?

Un equipo de investigadores con base en China presentó un modelo de IA que diseña proteínas a partir de instrucciones escritas en lenguaje natural, sin que el usuario tenga que especificar la estructura atómica ni la secuencia de aminoácidos. El trabajo, publicado en Nature y difundido por Bioengineer, describe Pinal, un modelo de 16.000 millones de parámetros entrenado con 1.700 millones de pares de proteína y texto anotados sintéticamente.

Hasta ahora, las mejores herramientas del sector funcionan en dos pasos: primero defines restricciones geométricas —qué molécula debe unir la proteína, qué aminoácidos deben ocupar qué posiciones— y después otro modelo rellena la secuencia que hace que esa forma se pliegue bien. Eso exige entender la estructura proteica a nivel de aminoácido individual. Pinal apunta a saltarse ese cuello de botella: describes la función y el modelo propone candidatos.

En paralelo, Hugging Face anunció Carbon-X, un modelo abierto que lleva la misma idea al ADN. Según Wired, permite "chatear con el ADN": preguntar en lenguaje natural qué efecto tiene un cambio genético sobre la actividad de un gen y recibir respuestas conversacionales.

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 →

Pinal: qué se validó de verdad en el laboratorio

El dato que importa no es el tamaño del modelo, sino qué sobrevivió al laboratorio. Los investigadores probaron Pinal en cuatro tareas distintas: una proteína fluorescente, una hidrolasa de PET (el plástico), una alcohol deshidrogenasa y una H-proteína metabólica. En los cuatro casos observaron experimentalmente la función buscada, incluida actividad catalítica en las dos enzimas diseñadas.

El resultado más llamativo: una H-proteína diseñada por Pinal aumentó el título de producto 1,7 veces respecto de la H-proteína nativa de Escherichia coli al integrarse en una ruta de fijación de CO2, y lo logró sin optimización experimental iterativa.

El matiz importa. El propio equipo aclara que el valor del modelo está en generar candidatos testeables, no en reemplazar la validación experimental: cada diseño tuvo que sintetizarse y probarse en el laboratorio. Y como señala Ars Technica, si la métrica es "proteína que funciona", la tasa de éxito no es alta. El modelo produce muchos candidatos fallidos por cada acierto, lo que en la práctica exige acceso a un laboratorio donde separar el grano de la paja.

Carbon-X: cómo funciona el "chat" con el ADN

Carbon-X se desarrolló junto al Zhongguancun Academy (China) y la Universidad de Nápoles Federico II (Italia), con la participación del Telethon Institute of Genetics and Medicine, según Wired. Está construido sobre el modelo abierto Qwen3-14B, al que se le amplió el vocabulario para leer ADN en bloques de seis letras, y se entrenó con unos 302.000 millones de tokens que combinan secuencias genómicas, texto en inglés y ejemplos que vinculan ADN con descripciones biológicas.

Los números, según TechRepublic y ForkLog: 66,7% de precisión promedio en cinco benchmarks de ADN, apenas por detrás de GPT-6.1 Sol (67,5%) y por delante de Claude Opus 5.5 (60,9%) y Gemini 4 Argon (49,8%). El punto no es ganar por un punto porcentual, sino hacerlo a aproximadamente 1/1.800 del costo de inferencia. Analizar los 2,4 millones de variantes de significado incierto de la base ClinVar costaría unos 300 dólares, frente a los 32.000 a 4 millones estimados en modelos comerciales líderes.

Corre en local: los pesos caben en una GPU de 80 GB y el modelo no envía datos genéticos a servidores externos. Eso importa porque los datos genómicos son sensibles y muchas instituciones no pueden subirlos a una API de terceros.

Las limitaciones son concretas: procesa fragmentos de aproximadamente 50.000 pares de bases (no genomas completos), se equivoca al contar nucleótidos o al fijar coordenadas exactas, y no pasó validación clínica, por lo que sus predicciones no sirven para decisiones médicas. Los desarrolladores excluyeron secuencias virales del entrenamiento para reducir el riesgo de uso indebido.

No es un anuncio aislado. El 8 de octubre Hugging Face ya había lanzado Carbon-A, un modelo de 1.200 millones de parámetros para localizar regiones codificantes, con el que armaron una base de 566 millones de genes putativos en 22.617 especies. Y en septiembre la compañía acordó ser adquirida por Nvidia por cerca de 13.000 millones de dólares, según Wired.

¿Qué tan lejos está esto de la biología "de verdad"?

Conviene separar dos capas. La primera es la interfaz: el lenguaje natural como forma de pedirle a un modelo que proponga candidatos. La segunda es la validación: que esos candidatos funcionen en un tubo de ensayo.

En la primera capa hay movimiento rápido. Google DeepMind ya había lanzado AlphaGenome, que predice efectos de secuencias y mutaciones, pero en formato numérico y con mayor demanda de cómputo. Evo 2, del Arc Institute junto a Nvidia y socios académicos, se presentó en febrero de 2025 entrenado con ADN de más de 100.000 especies, procesa hasta 1 millón de nucleótidos y puede generar genomas completos desde cero. Y un equipo del MIT publicó en PNAS el framework PottsMPNN, que ataca el problema desde el otro lado: generar secuencias que se plieguen en una estructura dada, con el argumento de que reproducir la secuencia que la evolución eligió no es la métrica correcta.

En la segunda capa, la realidad es más lenta. Carbon-X no fue validado con experimentos de laboratorio, así que sus desarrolladores no pueden afirmar qué tan precisas son sus predicciones. Pinal sí pasó por el laboratorio, pero con cuatro tareas y una tasa de éxito modesta.

¿Qué significa esto para tu startup?

Si tu negocio toca biotecnología, salud o química, el mensaje es que el costo de explorar acaba de caer. Antes necesitabas un especialista en estructura proteica para formular una hipótesis; ahora puedes escribir en lenguaje natural qué función buscas y obtener candidatos que un laboratorio puede testear. Eso no elimina el laboratorio, pero cambia dónde se gasta el dinero: menos horas de experto en modelado, más ciclos de validación.

Acciones concretas:

Prueba Carbon-X antes de pagar una API propietaria. Está bajo licencia Apache 2.0 en el Hub de Hugging Face y corre en una GPU de 80 GB. Si tu equipo analiza variantes genéticas o necesita mantener datos sensibles en tu propia infraestructura, el ahorro reportado —de decenas de miles de dólares a cientos— es una hipótesis barata de verificar en una semana.
Usa el lenguaje natural como filtro, no como respuesta final. Pídele al modelo que priorice qué candidatos vale la pena sintetizar y reserva el presupuesto de laboratorio para esos. Con tasas de éxito bajas, el valor está en ordenar la cola, no en confiar en el primer resultado.
Si no eres de biotech, copia el patrón. Carbon-X es un modelo mediano, abierto y especializado que se acerca al rendimiento de un modelo frontera a una fracción del costo. Ese mismo movimiento —modelo abierto, dominio vertical y despliegue local— se está replicando en legal, contabilidad y análisis financiero. La pregunta para tu startup no es si la IA puede hacer tu tarea, sino si puedes resolverla con un modelo que corre en tu propia infraestructura.