Biohub y sus socios destinarán 1.800 millones de dólares a datos para células virtuales
Los modelos de célula virtual han caído en una trampa conocida por los desarrolladores: una red neuronal costosa puede parecer más débil que una regla sencilla por una métrica poco acertada. En las pruebas de respuesta celular, la respuesta promedio solía ganar, porque la mayoría de los genes casi no cambia. Fabian Theis propone complicar no el modelo, sino la propia tarea: tener en cuenta el tiempo, el entorno de la célula y los vínculos entre niveles biológicos.
Procesado por IA desde Latent Space (swyx); editado por Hamidun News
En la biología se ha repetido una historia que conoce cualquier equipo de aprendizaje automático. Se construye un modelo complejo, se gasta cómputo, se prepara una demostración vistosa y, después, la regla simple de «predecir el promedio» ofrece un resultado igual de bueno. Es justo lo que han encontrado los proyectos de células virtuales: sistemas que deben predecir cómo reaccionará una célula a un fármaco, a la edición de un gen o a un cambio de entorno.
Tras los resultados del Arc Virtual Cell Challenge de 2025, pudo parecer que los modelos grandes simplemente no funcionan aquí. Pero el problema resultó ser más interesante. Parte de las pruebas estaba diseñada de tal modo que una respuesta segura y promediada obtenía una puntuación alta: la mayoría de los genes casi no cambia tras la intervención, de modo que el modelo podía ignorar los desplazamientos raros pero biológicamente importantes.
Fabian Theis, de Helmholtz Munich, considera que la discusión sobre si una red neuronal supera al promedio desvía al sector. Si un conjunto de datos describe una tarea demasiado simple y estrecha, el modelo complejo realmente no tiene dónde demostrar su ventaja. El siguiente paso no es añadir capas por añadir, sino recopilar datos que incluyan tiempo, espacio, el entorno de la célula y las transiciones entre niveles del organismo.
Por qué el promedio se volvió de pronto un rival fuerte
Imaginemos un conjunto de 10.000 genes. Tras la intervención cambian de forma notable solo unos cientos, mientras que el resto permanece casi igual. Un modelo que da un valor típico para cada gen acertará con frecuencia cerca de la respuesta correcta. El error global será pequeño, aunque se le escapen justamente los cambios interesantes.
Para un desarrollador, este es el problema habitual de los datos desbalanceados. Un sistema de detección de fraude puede alcanzar una precisión alta respondiendo siempre «la operación es normal» si los pagos fraudulentos son pocos. Una puntuación final alta no significa que el producto resuelva la tarea planteada.
Por eso los modelos de célula virtual deben evaluarse por separado en genes que cambian de forma sustancial, en nuevos tipos de intervención y en combinaciones de condiciones desconocidas. También conviene comprobar si la predicción conserva las relaciones biológicas, y no solo reduce el error numérico medio.
De la instantánea de la célula al modelo del proceso
Theis propone mirar más allá de una medición aislada. El estado de la célula depende de las células vecinas, del tejido, del tiempo y del historial de intervenciones. El modelo debe responder no solo a la pregunta «qué cambiará tras el fármaco», sino también predecir la distribución de estados posibles, el desarrollo posterior del sistema y la manera de llevarlo al estado deseado.
Aquí cobra sentido práctico la iniciativa de Biohub y sus socios, con compromisos declarados de unos 1.800 millones de dólares. Se planea destinar el dinero, entre otras cosas, a nuevas formas de visualización, medición y laboratorios automatizados. Tales instalaciones pueden cerrar el ciclo: el algoritmo elige el siguiente experimento, el laboratorio lo realiza, los resultados vuelven al modelo y este afina el paso siguiente.
Es un cambio importante. En un modelo de lenguaje, un nuevo ejemplo de entrenamiento es relativamente barato. En biología, cada punto de datos puede requerir cultivar células, equipos, reactivos y tiempo. Por eso el valor lo crea no solo la arquitectura, sino también la capacidad de elegir el experimento más informativo.
Qué deben hacer los equipos
La primera conclusión es universal: antes de entrenar un modelo costoso, fije referentes simples: el promedio, el último valor conocido, un modelo lineal y el vecino más cercano. Si la red neuronal no los supera, revise primero los datos, la partición de la muestra y la métrica.
La segunda conclusión es que la prueba debe reflejar la decisión que se tomará a partir del pronóstico. Para elegir una terapia importa menos el error medio sobre miles de rasgos casi inmutables que la capacidad de encontrar un pequeño grupo de cambios que influyen en el desenlace.
Por último, la complejidad se justifica donde corresponde a la complejidad del proceso observado. Los modelos multiescala son necesarios si los datos realmente conectan moléculas, células, tejidos y tiempo. Sin esos datos, la «célula virtual» corre el riesgo de seguir siendo un costoso interpolador. Con ellos, puede convertirse en una herramienta de trabajo para elegir experimentos y desarrollar terapias precisas.
- 9 oct 2026Biohub amplía la Virtual Biology Initiative: 1,8 mil millones de dólares para datos de IA
- 10 oct 2026Google DeepMind y Biohub explican por qué AlphaFold no cerró el problema del plegamiento de proteínas
- 26 jul 2026Xaira presenta X-Cell, una «célula virtual» de 4.900 millones de parámetros para el descubrimiento de fármacos
- 25 jul 2026China vs. EE. UU.: cómo protegen a los menores de los compañeros de IA y por qué el enfoque de Pekín es más estricto
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Por qué el promedio se volvió de pronto un rival fuerte?
Imaginemos un conjunto de 10.000 genes. Tras la intervención cambian de forma notable solo unos cientos, mientras que el resto permanece casi igual. Un modelo que da un valor típico para cada gen acertará con frecuencia cerca de la respuesta correcta. El error global será pequeño, aunque se le escapen justamente los cambios interesantes. Para un desarrollador, este es el problema habitual de los datos desbalanceados.
¿Qué se sabe sobre De la instantánea de la célula al modelo del proceso?
Theis propone mirar más allá de una medición aislada. El estado de la célula depende de las células vecinas, del tejido, del tiempo y del historial de intervenciones. El modelo debe responder no solo a la pregunta «qué cambiará tras el fármaco», sino también predecir la distribución de estados posibles, el desarrollo posterior del sistema y la manera de llevarlo al estado deseado. Aquí cobra sentido práctico la iniciativa de Biohub y sus socios, con compromisos declarados de unos 1.800 millones de dólares.
¿Qué se sabe sobre Qué deben hacer los equipos?
La primera conclusión es universal: antes de entrenar un modelo costoso, fije referentes simples: el promedio, el último valor conocido, un modelo lineal y el vecino más cercano. Si la red neuronal no los supera, revise primero los datos, la partición de la muestra y la métrica. La segunda conclusión es que la prueba debe reflejar la decisión que se tomará a partir del pronóstico.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.