15 desafíos para la IA generativa en biología celular: lo que dice el artículo de Cell
El 17 de agosto de 2026, Cell publicó la perspectiva "Fifteen challenges for generative AI applications to cell biology". En lugar de declarar un nuevo modelo particularmente grande como un avance, el equipo de autores plantea una pregunta más fundamental: ¿Qué tareas debe resolver realmente la IA generativa antes de que podamos hablar de predicción confiable y control específico de células?
La respuesta son 15 desafíos que van desde interacciones moleculares, estados celulares y mecanismos de acción hasta biomarcadores, respuestas de organismos y ensayos clínicos. El artículo es, por lo tanto, menos un ranking de modelos actuales y más una propuesta de mejores objetivos científicos: el éxito debe medirse por si un modelo proporciona predicciones útiles y experimentalmente verificables en situaciones biológicas desconocidas.
Fuente: Pexels / CDC
En resumen
- El artículo formula 15 desafíos concretos para la IA generativa en biología celular y los asigna a cuatro niveles: interacciones moleculares, función molecular, función celular/del sistema y traducción.
- El punto central no es si un modelo reconstruye datos biológicos de manera convincente, sino si hace predicciones correctas y prácticamente relevantes fuera de las situaciones de entrenamiento conocidas.
- Las tareas con causalidad son particularmente exigentes: ¿Qué intervención cambia el estado de una célula, por qué actúa un medicamento, cómo se comunican las células entre sí o qué resultado tendrá un estudio aún no realizado?
- Por lo tanto, los modelos fundacionales actuales no son automáticamente "células virtuales". Un benchmark publicado en 2025 mostró, por ejemplo, que varios modelos de aprendizaje profundo no pudieron superar consistentemente las líneas base simples al predecir perturbaciones genéticas.
- Los 15 desafíos conectan el desarrollo de la IA con la biología experimental: los buenos benchmarks deben diseñarse de tal manera que el progreso pueda traducirse en un conocimiento biológico medible.
Lo que el artículo de Cell realmente quiere lograr
El trabajo de Léo Dupire y otros 14 autores, incluidos Theofanis Karaletsos, Shana O. Kelley, Emma Lundberg, Jian Ma, Stephen R. Quake y Andrea Califano, es una perspectiva, es decir, una contribución científica de orientación y discusión. No presenta un solo modelo celular nuevo con un nuevo rendimiento superior. En cambio, intenta enfocar el campo en tareas cuya solución signifique algo biológicamente.
Esto es importante porque el "buen rendimiento" en biología computacional depende en gran medida de lo que se mide exactamente. Un modelo puede clasificar tipos celulares conocidos muy bien o completar valores faltantes de manera plausible y, sin embargo, fallar en predecir la respuesta a una nueva perturbación genética, un tejido desconocido o un nuevo fármaco. Para una biología celular verdaderamente predictiva, esta generalización es crucial.
Fuente: pexels.com
El estándar para la IA biológicamente útil no es solo un buen valor de benchmark. Es crucial si las predicciones resisten en experimentos con nuevas condiciones y ayudan a los investigadores en la próxima decisión.
Los autores estructuran las 15 tareas a lo largo de una escala biológica creciente. Abajo se dan las designaciones originales en inglés de los títulos de los desafíos. Las explicaciones en alemán son una clasificación editorial del tipo de predicción o tarea de diseño que se debe probar en cada caso; no son una traducción literal del texto completo del artículo.
Los 15 desafíos en resumen
Nivel 1: Interacciones moleculares
En el primer nivel, se trata de las relaciones elementales de las que surge el comportamiento celular. Un modelo no solo debe reconocer qué moléculas ocurren juntas, sino también ser capaz de manejar de manera confiable el contexto regulatorio, el estado de la cromatina y la comunicación entre células.
| No. | Designación original | De qué se trata prácticamente |
|---|---|---|
| 1 | Regulatory and signaling interactions | Predecir relaciones regulatorias y de señalización de tal manera que se puedan derivar respuestas comprensibles a una intervención o estímulo. |
| 2 | Epigenetic interactions | Capturar cómo los estados de la cromatina y otros estados epigenéticos cambian la actividad de los genes y la respuesta de una célula de manera dependiente del contexto. |
| 3 | Cell-cell interactions | Predecir la comunicación y la influencia mutua de diferentes células, en lugar de modelar cada célula de forma aislada. |
Fuente: commons.wikimedia.org / National Institutes of Health
El comportamiento celular surge de estructuras e interacciones en múltiples niveles. La imagen del NIH muestra células HeLa con actina en rojo, microtúbulos en cian y núcleos en azul, un ejemplo ilustrativo de la organización molecular y celular simultánea presente.
Nivel 2: Función molecular
El segundo nivel desplaza la pregunta de las relaciones observadas a la función. Aquí se vuelve interesante si la IA puede inferir efectos biológicos a partir de secuencias y componentes moleculares o incluso diseñar nuevos mecanismos funcionales.
| No. | Designación original | De qué se trata prácticamente |
|---|---|---|
| 4 | Synthetic mechanisms | Diseñar nuevos mecanismos moleculares construidos con un comportamiento deseado y predecir su función de manera confiable. |
| 5 | Genome to biochemical function | Pasar de la información genómica a capacidades y procesos bioquímicos concretos, no solo a similitudes estadísticas de secuencias. |
| 6 | Drug mechanism of action | Predecir a través de qué estructuras objetivo, vías de señalización y condiciones contextuales actúa realmente un medicamento. |
Nivel 3: Función celular y del sistema
En este nivel, la predicción molecular se convierte en una tarea del sistema. Una célula tiene muchos estados posibles, responde a su entorno y puede ser reprogramada mediante intervenciones. Es precisamente aquí donde se hace visible por qué un "modelo de lenguaje para genes" no es automáticamente una célula virtual completa.
| No. | Designación original | De qué se trata prácticamente |
|---|---|---|
| 7 | Genome to phenotype | Inferir de manera confiable propiedades fenotípicas y comportamiento a partir de un genoma, incluso si las combinaciones de variantes o condiciones son nuevas. |
| 8 | Cell state reprogramming | Encontrar intervenciones que muevan una célula de manera específica de un estado de partida a un estado objetivo deseado. |
| 9 | Synthetic circuit design | Diseñar circuitos genéticos artificiales robustos cuyo comportamiento en células reales corresponda a las especificaciones. |
| 10 | Systems-level mechanisms | Capturar mecanismos a nivel de sistema en los que el estado celular, el entorno y varios procesos acoplados determinan conjuntamente la función observada. |
Fuente: pexels.com
Muchas de las tareas propuestas requieren un ciclo cerrado de modelo y experimento: formular una predicción, probarla en un cultivo celular controlado, medir las desviaciones y derivar de ello la próxima generación del modelo.
Nivel 4: Traducción
El cuarto nivel es la prueba de realidad más dura. Ahora, las predicciones moleculares y celulares deben dar lugar a preguntas relevantes para el desarrollo de fármacos y la medicina. No solo aumenta la complejidad biológica, sino también la importancia de la calidad de los datos, la heterogeneidad de los pacientes y la validación prospectiva.
| No. | Designación original | De qué se trata prácticamente |
|---|---|---|
| 11 | Complex biomarker identification | Encontrar biomarcadores multidimensionales que indiquen de manera robusta un estado o respuesta clínicamente relevante y que se validen fuera del conjunto de datos de descubrimiento. |
| 12 | Drug toxicity | Predecir los efectos tóxicos de un fármaco lo antes posible y en contextos biológicos relevantes. |
| 13 | Drug efficacy | Predecir la eficacia no solo en promedio, sino para diferentes estados biológicos y potencialmente diferentes grupos de pacientes. |
| 14 | Organismal responses | Generalizar desde células y tejidos individuales hasta las respuestas de un organismo completo, en el que están acoplados los sistemas inmunológico, metabólico y orgánico. |
| 15 | Clinical trial outcomes | Predecir cómo resultará un ensayo clínico en condiciones reales, una tarea que va mucho más allá de la reconstrucción de datos ómicos existentes. |
Fuente: pexels.com
Los últimos desafíos llegan hasta la traducción. Cuanto más se acerca una predicción a la seguridad de los medicamentos, la eficacia o los ensayos clínicos, mayores son los requisitos de datos independientes, reproducibilidad y confirmación prospectiva.
Por qué los benchmarks actuales para "células virtuales" no son suficientes
Los 15 desafíos tocan un punto sensible de la biología de IA actual: un benchmark puede ser técnicamente limpio y, sin embargo, generar una idea errónea de progreso. Si los datos de entrenamiento y prueba son muy similares, un modelo puede interpolar patrones sin capturar adecuadamente el mecanismo subyacente. Por lo tanto, para una capacidad predictiva real, son importantes los casos de prueba que conscientemente se desvían de la distribución conocida, por ejemplo, nuevas perturbaciones, otros tipos de células, otros tejidos o combinaciones que el modelo no vio durante el entrenamiento.
La relevancia de esta objeción se demostró en 2025 en un trabajo de acceso abierto en Nature Methods. Constantin Ahlmann-Eltze, Wolfgang Huber y Simon Anders compararon cinco modelos fundacionales de célula única y otros dos enfoques de aprendizaje profundo con líneas base deliberadamente simples al predecir cambios transcriptómicos después de perturbaciones genéticas. En las tareas estudiadas, ninguno de los modelos complejos pudo superar consistentemente las líneas base simples. Los propios autores enfatizan que esto no significa que el aprendizaje profundo sea fundamentalmente inadecuado para la biología de células únicas. El hallazgo más bien muestra la importancia de las líneas base sólidas y las pruebas exigentes para las afirmaciones sobre la generalización.
El artículo de Cell aborda precisamente este punto: un modelo futuro no debe convencer por reproducir datos conocidos de manera especialmente realista, sino por mejorar la próxima decisión experimental con sus predicciones. Esto cambia la pregunta principal de "¿Cuán similar es la salida?" a "¿Qué nueva declaración biológica podemos probar con una tasa de error aceptable?"
Tres problemas estructurales detrás de los 15 desafíos
1. Los datos biológicos son ricos, pero no automáticamente los datos de entrenamiento correctos
Los atlas de células únicas contienen hoy enormes cantidades de datos medidos. Sin embargo, para muchas tareas predictivas faltan precisamente aquellos datos que permiten declaraciones causales: perturbaciones controladas, series temporales, relaciones dosis-respuesta, contexto espacial, mediciones multi-ómicas y suficientes sistemas biológicos independientes. Mil millones de células observadas son menos informativas para algunas preguntas que un conjunto de datos más pequeño y cuidadosamente planificado con intervenciones específicas.
La Iniciativa Chan Zuckerberg o Biohub persigue, por lo tanto, paralelamente a la construcción de grandes conjuntos de datos celulares, explícitamente el objetivo de una célula virtual basada en IA, que debería predecir y hacer comprensible el comportamiento celular. La perspectiva "How to build the virtual cell with artificial intelligence", publicada en Cell en 2024, también describe la célula virtual como un modelo multiescalar y multimodal para moléculas, células y tejidos. Los 15 desafíos de 2026 pueden leerse como pruebas más concretas en las que se puede medir este ambicioso objetivo.
2. La biología celular es combinatoria y dependiente del contexto
El lenguaje tiene reglas y patrones recurrentes; las células también, pero su espacio de estados está determinado simultáneamente por la regulación génica, las interacciones proteicas, el metabolismo, la epigenética, la vecindad espacial, la historia del desarrollo y el entorno. Incluso pequeños cambios pueden alterar su efecto según el tipo celular o el contexto. Por lo tanto, un modelo que conozca correctamente un solo componente no tiene por qué predecir correctamente la consecuencia de una combinación de varias intervenciones.
Esto habla a favor de modelos que no traten el conocimiento biológico previo como una explicación posterior, sino que lo tengan en cuenta en la arquitectura, el entrenamiento y la evaluación: como redes de interacciones conocidas, condiciones físicas límite, vías de reacción o datos explícitos de perturbación. Un mayor número de parámetros puede ser útil, pero no sustituye automáticamente esta estructura.
3. La correlación no es suficiente para muchos desafíos
En la reprogramación del estado celular, los mecanismos de acción o el efecto de los medicamentos se trata de intervenciones: ¿Qué sucede si cambiamos X? Precisamente esta pregunta separa la correlación de la causalidad. Un modelo puede vincular perfectamente un marcador con un estado de enfermedad sin saber si el marcador es la causa, la consecuencia o simplemente un efecto secundario. Para los desafíos 8, 11, 12 y 13, esta distinción es directamente relevante.
Un ejemplo ilustrativo del ciclo de validación deseado es el informe Zerlo sobre la hipótesis de cáncer de DeepMind/Yale confirmada en laboratorio: allí, un modelo condujo a una hipótesis concreta y dependiente del contexto, que luego se probó en modelos celulares humanos. Un acierto así no prueba una "célula virtual" general, pero muestra por qué los experimentos prospectivos son mucho más significativos que los puntos de referencia puramente retrospectivos.
Lo que una "Célula Virtual de IA" realmente útil debería poder hacer
El término Célula Virtual de IA se utiliza a menudo para Modelos Fundacionales que aprenden representaciones a partir de grandes conjuntos de datos unicelulares. Este es un componente importante, pero los 15 desafíos sugieren un listón más alto. Una célula virtual útil no solo tendría que codificar el estado actual, sino también ser capaz de simular intervenciones y consecuencias.
- Generalizar: Las predicciones deben seguir siendo fiables para tipos celulares, perturbaciones o entornos no vistos.
- Vincular múltiples escalas: Las interacciones moleculares deben vincularse con el estado celular, el tejido y, en última instancia, con las respuestas del organismo.
- Indicar incertidumbre: Un modelo debe indicar cuándo faltan datos para una predicción fiable, en lugar de hacer que cada salida parezca igualmente segura.
- Ser falsable experimentalmente: Las predicciones deben ser lo suficientemente concretas como para poder ser refutadas o confirmadas en el laboratorio.
- Ser útil mecanicísticamente: Para la investigación y el desarrollo de fármacos, no solo es importante predecir un efecto, sino también, en la medida de lo posible, a través de qué mecanismos y bajo qué condiciones se produce.
Esto también aclara por qué el desafío 15 - resultados de ensayos clínicos - se sitúa al final de la escala. Entre un perfil de expresión génica y el resultado de un estudio hay numerosas capas: dosis, farmacocinética, reacciones inmunitarias, comorbilidades, selección de pacientes, protocolo de estudio y puntos finales estadísticos. Un modelo que conecte de forma fiable todos estos factores sería cualitativamente algo diferente de un sistema de clasificación de tipos celulares.
Lo que los equipos de IA y biología pueden deducir del artículo
De los 15 desafíos se puede derivar una estrategia de desarrollo práctica. Lo siguiente es una síntesis editorial del artículo y el debate actual sobre puntos de referencia, no una lista adicional de los autores:
- Definir primero la decisión biológica. Antes de elegir una métrica de modelo, debe estar claro qué decisión experimental o traslacional debe mejorar la predicción.
- Tomar en serio las líneas de base simples. Un modelo fundacional complejo debe compararse con líneas de base ingenuas, lineales y específicas del dominio. De lo contrario, no queda claro si la complejidad adicional aporta una ganancia de información real.
- Planificar los datos de prueba para la generalización. Las divisiones significativas retienen precisamente las situaciones que se pretenden predecir posteriormente: nuevas perturbaciones, nuevos contextos celulares o conjuntos de datos completos e independientes.
- Separar la evaluación retrospectiva y prospectiva. Los puntos de referencia retrospectivos ayudan a comparar métodos. Los experimentos prospectivos, en cambio, prueban si el modelo puede predecir realmente nueva biología desconocida.
- Integrar conocimiento biológico previo e incertidumbre. Las redes, los mecanismos y las condiciones físicas límite pueden estructurar el espacio de búsqueda; las estimaciones de incertidumbre ayudan a evitar sobreinterpretaciones arriesgadas.
- Publicar resultados negativos. Si un modelo grande no supera a las líneas de base simples, esto es científicamente valioso. Tales resultados evitan que el campo confunda el esfuerzo computacional con el progreso biológico.
Por qué el artículo es relevante más allá de la biología celular
La perspectiva es un ejemplo de un problema general en la IA generativa: cuanto más impresionante sea la salida que un modelo pueda generar, más fácil será confundir plausibilidad con corrección. En biología celular, esta diferencia es particularmente notable porque una predicción plausible puede fallar en el experimento, y porque las suposiciones incorrectas posteriormente cuestan tiempo, animales, muestras o recursos clínicos.
Los 15 desafíos establecen, por lo tanto, un contrapunto útil al mero pensamiento de escalamiento. Exigen tareas cuya solución se vuelve mediblemente más difícil y científicamente más valiosa cuanto más nos alejamos de la reconstrucción molecular hacia el control celular causal y la traslación clínica. El artículo deja deliberadamente abierto si los transformadores actuales, los modelos basados en grafos, los sistemas mecanicistas híbridos o las nuevas arquitecturas resolverán estas tareas de la mejor manera.
Preguntas frecuentes
¿Qué significa "Fifteen challenges for generative AI applications to cell biology"?
Es el título de una perspectiva publicada en Cell en 2026. El equipo de autores formula 15 desafíos científicos con los que la IA generativa para la biología celular se puede evaluar de forma significativa, desde las interacciones regulatorias hasta la predicción de resultados de ensayos clínicos.
¿Qué cuatro niveles cubren los 15 desafíos?
Los desafíos van desde las interacciones moleculares, la función molecular y la función celular/sistémica hasta la traslación. Esto aumenta gradualmente el listón de las relaciones biológicas locales a las predicciones sobre medicamentos, organismos y ensayos clínicos.
¿Dice el artículo de Cell que una célula virtual ya existe?
No. El artículo no es un informe de éxito sobre una célula virtual ya resuelta. Describe tareas que los futuros modelos generativos tendrían que abordar para que sus predicciones sean biológica y traslacionalmente más convincentes.
¿Por qué no bastan buenas puntuaciones en los puntos de referencia existentes de células únicas?
Una buena puntuación puede surgir de tareas que se asemejan mucho al entrenamiento o que son resolubles por patrones simples. Para la biología predictiva, es crucial si un modelo se generaliza a nuevas perturbaciones, tipos celulares, tejidos u otras condiciones nunca vistas y allí proporciona mejores predicciones que las líneas de base simples sólidas.
¿Pueden los modelos fundacionales más grandes resolver los 15 problemas simplemente escalando?
No está probado. Los modelos más grandes pueden incorporar más datos y representaciones complejas, pero los desafíos también afectan a la calidad de los datos, la causalidad, las condiciones biológicas límite, la generalización y la validación experimental. El punto de referencia Nature Methods de 2025 también muestra que la complejidad del modelo por sí sola no garantiza todavía una ventaja fiable en las predicciones de perturbaciones.
¿Qué desafío es el más relevante para la medicina?
El desafío 15, "Resultados de ensayos clínicos", se encuentra al final del nivel traslacional. Requiere que un modelo integre adecuadamente muchos niveles previos: mecanismos moleculares, estados celulares, eficacia, toxicidad, respuestas del organismo y heterogeneidad clínica.
Conclusión
"Fifteen challenges for generative AI applications to cell biology" es, sobre todo, un alegato por una definición más exigente del progreso. Las 15 tareas cambian el enfoque de la reconstrucción de datos impresionante a la generalización, el mecanismo, la intervención y la confirmación prospectiva. Cuanto más avanza la lista hacia la traslación, menos suficiente es un modelo que solo reproduce patrones biológicos de forma plausible.
Para el debate sobre las Células Virtuales de IA, esta es una métrica útil: una célula virtual real no sería simplemente un modelo muy grande para la expresión génica, sino un sistema que predice nuevas situaciones biológicas, permite reconocer su incertidumbre y proporciona repetidamente aciertos útiles en experimentos reales. Hasta entonces, los 15 desafíos son menos una prueba de lo conseguido que una agenda de investigación concreta para lo que aún falta.