Radical Numerics afirma que su IA detectó entre el 22 y el 33% de las secuencias virales excluidas del entrenamiento

En un laboratorio de campo, no basta con leer el material genético de una muestra. También hay que determinar si alguna de las secuencias obtenidas puede ser peligrosa. Consultar una base de datos de referencia resulta útil cuando el organismo ya es conocido. Con una muestra desconocida, la tarea se complica: la ausencia de coincidencias no dice nada, por sí sola, sobre su seguridad.

Radical Numerics propone incorporar IA a este proceso. Según WIRED, la startup ha presentado Omnii Defense, un modelo que funciona en un portátil sin internet y analiza secuencias obtenidas mediante un secuenciador USB. El objetivo es claro: ayudar al investigador a identificar qué muestra merece un análisis adicional, aunque no exista una entrada exacta en la base de datos.

La principal salvedad aparece de inmediato. En el experimento descrito por la empresa, el modelo solo señaló como potencialmente patógenas entre el 22 y el 33% de las secuencias de un virus excluido deliberadamente del entrenamiento. Es un resultado interesante para seguir investigando, pero todavía queda mucho para disponer de una herramienta fiable de detección de amenazas.

Qué aporta el modelo a la búsqueda en bases de datos

Imaginemos que un investigador obtiene una secuencia genética de origen desconocido. Una búsqueda convencional intenta encontrar similitudes con organismos ya descritos. Este enfoque es útil, pero su capacidad depende del contenido de la base de datos de referencia y del grado de semejanza de la muestra con las entradas conocidas.

Según sus desarrolladores, Omnii Defense también utiliza patrones que el modelo ha aprendido a partir de datos biológicos. Formula varias predicciones: si la secuencia podría pertenecer a un patógeno, qué probabilidad hay de que tenga un origen artificial y a qué grupo taxonómico se aproxima más.

A continuación, el sistema asigna al genoma una puntuación global de amenaza que combina una evaluación de lo inusual que resulta con predicciones sobre sus funciones biológicas. Conviene distinguir entre el nombre del indicador y su significado. Una puntuación alta justifica examinar la muestra con más atención. Por sí sola, no demuestra que el investigador tenga ante sí un organismo peligroso o un producto de ingeniería deliberada.

Para quien desarrolla productos, esta arquitectura resulta familiar: el modelo ayuda a seleccionar los casos que pasarán a la siguiente fase de revisión. Aporta valor si detecta señales útiles que las herramientas existentes pasan por alto y, al mismo tiempo, evita saturar a los especialistas con falsas alarmas.

Qué significa realmente ese 22–33%

Radical Numerics describió un experimento con el virus de Bundibugyo. Primero se retiró de los datos de entrenamiento la información sobre su especie. Después, el modelo señaló como potencialmente patógenas el 33% de las secuencias que se le presentaron. Cuando se excluyó del entrenamiento todo el género correspondiente, la cifra fue del 22%.

Estas cifras no deben presentarse como la exactitud general del sistema. Describen la detección en unas condiciones experimentales concretas. Los resultados publicados no aclaran cuántas secuencias inocuas consideró sospechosas el modelo por error, cómo se eligió el umbral de detección ni hasta qué punto los resultados son extrapolables a otros organismos.

La empresa también afirma que las herramientas sin IA apenas emitieron señales de peligro en esta comparación. Sin embargo, la descripción disponible no basta para concluir que el modelo supera a todos los enfoques existentes. Para ello hacen falta detalles de la prueba, condiciones de comparación claras y una evaluación independiente.

Bronwyn MacInnis, responsable de vigilancia de patógenos en el Broad Institute, respalda la idea de utilizar tecnología para la biodefensa. Al mismo tiempo, subraya la distancia que existe entre detectar una señal y establecer que un patógeno supone un peligro real o tiene un origen artificial.

Por qué les interesa a los equipos que desarrollan productos de IA

El aspecto más práctico del anuncio es el funcionamiento local. Si se confirman las capacidades anunciadas, los investigadores podrán obtener una evaluación preliminar allí donde la conexión sea inestable o inexistente. Pero el portátil con el modelo sigue siendo una parte del proceso de laboratorio: no sustituye la obtención de datos de calidad ni la verificación posterior de las conclusiones.

Para los fundadores de empresas, resulta instructiva la elección del problema: aplicar un gran modelo biológico a una limitación operativa concreta, el análisis sobre el terreno sin conexión permanente. Al evaluar un producto así, conviene examinar las amenazas que pasa por alto, las falsas alarmas, los requisitos de hardware y las acciones del usuario tras una alerta.

Por ahora, Omnii Defense solo está disponible para evaluadores externos previamente verificados. Radical Numerics afirma que trabaja con laboratorios nacionales, organismos públicos y evaluadores independientes. El próximo hito relevante serán los resultados de esas evaluaciones. Estos permitirán saber si el modelo ayuda a los investigadores a tomar decisiones mejor fundamentadas en condiciones reales.