MIT recibe hasta 53 millones de dólares para una IA que invente un sustituto del glifosato
Las malas hierbas mutan cada vez más y dejan de responder al glifosato y la atrazina. El MIT, con Christopher Voigt al frente, ha recibido hasta 53 millones de dólares de ARPA-H para usar modelos generativos que predigan nuevas moléculas y siRNA que ataquen las mismas enzimas de las plantas. Los modelos generarán miles de millones de candidatos, que se comprobarán mediante cribado, y los resultados se devolverán al modelo para su ajuste.
Procesado por IA desde MIT News; editado por Hamidun News
Cuando se habla de IA generativa, solemos pensar en chatbots y asistentes de código. Pero una de las historias con más dinero se está desarrollando ahora en la química: los modelos aprenden no a escribir texto, sino a inventar moléculas. El MIT acaba de recibir hasta 53 millones de dólares de ARPA-H para una tarea así, y el objetivo no son los fármacos, sino los herbicidas.
Qué problema está en juego
En Estados Unidos se usan cada año más de mil millones de libras de herbicidas. Protegen las cosechas de las malas hierbas y hacen posible una agricultura respetuosa con el suelo. Pero tienen dos problemas.
Primero, las malas hierbas adquieren mutaciones de resistencia. El glifosato, por ejemplo, inhibe la enzima EPSP sintasa, sin la cual la planta no produce varios aminoácidos importantes. Las mutaciones permiten a las malas hierbas sortear este bloqueo y el producto deja de funcionar.
Segundo, hay riesgos para la salud: los herbicidas se asocian con un mayor riesgo de cáncer y de trastornos endocrinos y metabólicos. Los agricultores reciben la dosis más alta, pero las trazas de estos productos químicos llegan a los alimentos y al agua de todos los demás.
A esto se suma la geopolítica. El fósforo, componente clave del glifosato, EE. UU. lo importa en gran medida. Christopher Voigt, jefe del departamento de ingeniería biológica del MIT y director del proyecto PLOW, lo dice sin rodeos: la resistencia de las malas hierbas combinada con una cadena de suministro vulnerable puede dejar al país sin agroquímica básica.
Cómo funciona: el ciclo «modelo – cribado – invernadero»
El proyecto se divide en tres equipos, y lo principal no es un modelo aislado, sino un ciclo cerrado.
- Modelos generativos. El grupo de Connor Coley, Regina Barzilay y Alexander Tropsha predecirá moléculas o ARN pequeños de interferencia (siRNA) que desactiven las mismas enzimas clave de las plantas que los herbicidas actuales. Los modelos deben tener en cuenta varios objetivos a la vez: síntesis barata, bajo riesgo de aparición de resistencia y daño mínimo para las personas y el medio ambiente.
- Cribado de alto rendimiento. Se espera que los modelos generen miles de millones de candidatos. El grupo de Angela Koehler y Jamie Chia, del Broad Institute, comprobará en las bibliotecas si dan en la diana. Los resultados volverán al equipo computacional para mejorar los modelos. En esencia, es aprendizaje activo con datos reales de laboratorio.
- Invernaderos. Cuando el conjunto de candidatos se reduzca, un tercer equipo comprobará cómo funcionan las moléculas en distintas condiciones agronómicas. Lo integran investigadores de las universidades de Tennessee, Illinois y Carolina del Norte y la startup Robigo. Las primeras pruebas de candidatos de RNAi deben concluir al final del primer año del programa.
Una línea aparte está dedicada a los sistemas microbianos vivos: bacterias y hongos modificados que degradan los agroquímicos antes de que lleguen a los alimentos, el suelo y el agua, convirtiéndolos a ellos y a los componentes de las formulaciones en biomasa.
Qué es realmente importante aquí
Primero, las limitaciones. Esto es un anuncio de financiación, no un resultado. El material no incluye arquitecturas de modelos, métricas ni pruebas de que el enfoque generativo vaya a encontrar mejores moléculas que el cribado clásico. El camino desde un candidato en invernadero hasta un herbicida registrado es largo, y por delante queda la regulación, que la IA no eliminará. Así que no conviene esperar un producto en las estanterías en los próximos años.
Pero para quienes construyen productos de IA, hay tres señales útiles.
- El valor está en el bucle de retroalimentación. Un modelo por sí solo no vale nada mientras no se le alimente con datos experimentales frescos. Gana quien integra el laboratorio o un entorno real en el ciclo de entrenamiento.
- La optimización multiobjetivo se vuelve la norma. No bastan moléculas potentes: hacen falta moléculas baratas de fabricar, difíciles de «hackear» con mutaciones y seguras de aplicar. Si diseñas un sistema generativo, incorpora las restricciones a la función objetivo desde el principio.
- La agroquímica se abre como mercado para la IA. El dinero público y la alianza de universidades, el Broad Institute y la startup Robigo demuestran que el nicho para fundadores en la intersección de biología, química y ML es real y tiene financiación.
Si trabajas con IA en la ciencia, sigue los primeros datos sobre los candidatos de RNAi: ellos mostrarán si este bucle funciona en la práctica.
- 2 may 2026Cómo usar Gemini para automatizar YouTube con Python
- 17 jun 2026Enflame recibe luz verde para una IPO de 888 millones de dólares, la última de los «cuatro dragones de la IA» de China
- 31 may 2026Anthropic lanza Opus 4.8 con la honestidad del modelo como prioridad
- 22 abr 2026La startup de IA Rox, valorada en 1.200 millones de dólares: un nuevo rival en el mercado de los CRM
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué problema está en juego?
En Estados Unidos se usan cada año más de mil millones de libras de herbicidas. Protegen las cosechas de las malas hierbas y hacen posible una agricultura respetuosa con el suelo. Pero tienen dos problemas. Primero, las malas hierbas adquieren mutaciones de resistencia. El glifosato, por ejemplo, inhibe la enzima EPSP sintasa, sin la cual la planta no produce varios aminoácidos importantes. Las mutaciones permiten a las malas hierbas sortear este bloqueo y el producto deja de funcionar.
Cómo funciona: el ciclo «modelo – cribado – invernadero»?
El proyecto se divide en tres equipos, y lo principal no es un modelo aislado, sino un ciclo cerrado. Modelos generativos. El grupo de Connor Coley, Regina Barzilay y Alexander Tropsha predecirá moléculas o ARN pequeños de interferencia (siRNA) que desactiven las mismas enzimas clave de las plantas que los herbicidas actuales. Los modelos deben tener en cuenta varios objetivos a la vez: síntesis barata, bajo riesgo de aparición de resistencia y daño mínimo para las personas y el medio ambiente.
¿Qué se sabe sobre Qué es realmente importante aquí?
Primero, las limitaciones. Esto es un anuncio de financiación, no un resultado. El material no incluye arquitecturas de modelos, métricas ni pruebas de que el enfoque generativo vaya a encontrar mejores moléculas que el cribado clásico. El camino desde un candidato en invernadero hasta un herbicida registrado es largo, y por delante queda la regulación, que la IA no eliminará. Así que no conviene esperar un producto en las estanterías en los próximos años.
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.