Cuatro mil millones de años de evolución produjeron un sistema que ningún modelo computacional actual puede replicar en su totalidad: el genoma humano. Desde que el Proyecto del Genoma Humano completó la secuenciación de sus aproximadamente 3,000 millones de bloques químicos entre 1990 y 2003, la expectativa era que ese mapa genético revelaría los mecanismos fundamentales de la vida. Lo que encontraron los investigadores fue más desconcertante que esclarecedor: solo el 2% del genoma codifica proteínas. El 98% restante opera bajo lógicas que la ciencia aún no termina de comprender.

El problema no es la secuencia, es la regulación

Identificar los genes es solo el primer paso. La pregunta estratégicamente relevante —y científicamente irresuelta— es cómo se activan, silencian e interactúan esos genes en función del entorno celular. A partir del mismo material genético, el organismo genera cientos de tipos celulares distintos mediante la activación diferencial de conjuntos específicos de genes. Las células, además, responden de forma continua a señales externas y a la comunicación con células vecinas, añadiendo capas de complejidad que no se capturan en la secuencia estática del ADN.

Esta dinámica convierte al genoma en algo cualitativamente distinto a un plano de ingeniería o un algoritmo de software. Como señala Karen Adelman, investigadora en regulación génica de la Escuela de Medicina de Harvard, el genoma no se parece a nada que los humanos hubiéramos diseñado deliberadamente, lo que dificulta aplicarle marcos analíticos convencionales.

Qué pueden —y qué no pueden— hacer los modelos de IA genómica

Herramientas como Evo 2, Genos y AlphaGenome de Google DeepMind representan el estado del arte en inteligencia artificial aplicada a genómica. Entrenados con volúmenes masivos de datos genómicos, estos modelos permiten predecir cómo variaciones específicas en la secuencia de ADN se correlacionan con rasgos biológicos o riesgo de enfermedades. Su utilidad práctica en diagnóstico y medicina de precisión es real y creciente.

Sin embargo, su arquitectura tiene un límite estructural: operan bajo el supuesto de que el genoma funciona como un sistema de entrada-salida directo, donde una variación produce un efecto predecible. Ese supuesto no se sostiene cuando se trata de regulación génica dinámica. Los modelos capturan correlaciones estadísticas en datos conocidos, pero no modelan los mecanismos causales que gobiernan cómo el genoma responde a contextos biológicos cambiantes.

Implicaciones para la inversión en biología computacional

Para quienes toman decisiones de inversión o desarrollo en biotecnología, salud digital o investigación aplicada, esta distinción tiene consecuencias directas. Los modelos de IA genómica son herramientas de alto valor para tareas de clasificación, predicción de variantes y aceleración de hipótesis. Pero confiar en ellos como sustitutos de una comprensión mecanística del genoma introduce riesgos de interpretación que pueden traducirse en errores costosos en el desarrollo de terapias o en la evaluación de activos científicos.

El genoma humano no es una caja negra que la IA pueda abrir con suficiente potencia de cómputo. Es un sistema complejo, evolutivo y contextual que requiere marcos explicativos que la biología computacional actual todavía está construyendo. Reconocer ese límite no invalida las herramientas disponibles; define con precisión dónde son confiables y dónde no.