Evo 2: la IA que predice mutaciones de ADN en toda la vida

Hasta ahora, entender si una mutación concreta en un gen provoca cáncer o no exigía años de experimentos de laboratorio, célula a célula. Un nuevo modelo de inteligencia artificial llamado Evo 2 propone hacer ese trabajo en segundos, leyendo el ADN como si fuera un idioma. Sus creadores lo han presentado hoy como el mayor modelo fundacional de biología construido hasta la fecha, y lo han hecho completamente en abierto: pesos, datos de entrenamiento y código disponibles para cualquiera.

El proyecto es fruto de una colaboración entre el Arc Institute (un centro de investigación sin ánimo de lucro con sede en Palo Alto), NVIDIA, y científicos de Stanford, UC Berkeley y UC San Francisco. El preprint, titulado "Genome modeling and design across all domains of life with Evo 2", se ha publicado hoy en bioRxiv junto a un segundo artículo técnico sobre la arquitectura del modelo.

Un modelo de lenguaje, pero para el ADN

Evo 2 tiene 40.000 millones de parámetros y se ha entrenado con más de 9,3 billones de nucleótidos —las unidades básicas que componen el ADN y el ARN— procedentes de más de 128.000 genomas completos, además de datos metagenómicos. La cifra sitúa a Evo 2 en una escala comparable a la de los grandes modelos de lenguaje que conocemos como GPT: en vez de predecir la siguiente palabra en una frase, predice el siguiente nucleótido en una secuencia genética.

A diferencia de su predecesor, Evo 1, que solo había visto genomas de organismos unicelulares, Evo 2 incorpora datos de bacterias, arqueas, fagos, humanos, plantas y otras especies eucariotas, cubriendo los tres dominios de la vida. "Nuestro desarrollo de Evo 1 y Evo 2 representa un momento clave en el campo emergente de la biología generativa, ya que estos modelos han permitido a las máquinas leer, escribir y pensar en el lenguaje de los nucleótidos", explica Patrick Hsu, cofundador del Arc Institute y coautor principal del preprint.

La analogía con los modelos de lenguaje no es casual. "Igual que el mundo ha dejado su huella en el lenguaje de internet que se usa para entrenar los grandes modelos de lenguaje, la evolución ha dejado su huella en las secuencias biológicas", apunta Brian Hie, profesor en Stanford y también coautor principal. "Estos patrones, refinados durante millones de años, contienen señales sobre cómo funcionan e interactúan las moléculas."

BRCA1 y el diagnóstico de mutaciones

El caso de uso que mejor ilustra la utilidad práctica del modelo es BRCA1, el gen asociado al cáncer de mama y de ovario. En las pruebas realizadas por el equipo, Evo 2 alcanzó más del 90% de precisión distinguiendo variantes benignas de variantes potencialmente patógenas del gen, según ha anunciado el Arc Institute. Ese tipo de predicción podría ahorrar tiempo y recursos que hoy se destinan a experimentos con células o animales para localizar el origen genético de enfermedades.

Más allá del diagnóstico, el equipo plantea usos de diseño: crear elementos genéticos que solo se activen en tipos celulares concretos. "Si tienes una terapia génica que quieres activar solo en neuronas para evitar efectos secundarios, o solo en células del hígado, podrías diseñar un elemento genético que solo sea accesible en esas células específicas", explica Hani Goodarzi, investigador del Arc Institute y profesor en UCSF. "Este control preciso podría ayudar a desarrollar tratamientos más dirigidos y con menos efectos secundarios."

Arquitectura y entrenamiento

Evo 2 se ha entrenado durante varios meses en la plataforma NVIDIA DGX Cloud a través de AWS, usando más de 2.000 GPU H100. Puede procesar secuencias genéticas de hasta un millón de nucleótidos de una sola vez, lo que le permite captar relaciones entre partes muy distantes de un genoma, algo especialmente relevante porque la información funcional del ADN no siempre está codificada de forma local. Para lograrlo, el equipo desarrolló una arquitectura propia llamada StripedHyena 2, que ha permitido entrenar el modelo con 30 veces más datos que Evo 1 y razonar sobre ocho veces más nucleótidos a la vez.

Un detalle curioso del desarrollo: Greg Brockman, cofundador y presidente de OpenAI, dedicó parte de un año sabático a trabajar en el problema técnico de procesar secuencias tan largas, según ha confirmado el propio Arc Institute.

Abierto, con límites de seguridad

El equipo ha liberado los datos de entrenamiento, el código de entrenamiento e inferencia y los pesos del modelo, en lo que describen como el mayor modelo de IA de código abierto publicado hasta ahora. El código está disponible en el GitHub de Arc y también se ha integrado en BioNeMo, el framework de NVIDIA para biología computacional. Además, junto con el laboratorio de interpretabilidad Goodfire, han construido un visualizador que permite observar qué patrones biológicos concretos reconoce el modelo en una secuencia genómica.

La apertura total no ha sido incondicional. Los investigadores excluyeron deliberadamente del conjunto de entrenamiento los patógenos que infectan a humanos y otros organismos complejos, y se aseguraron de que el modelo no ofrezca respuestas útiles ante consultas relacionadas con esos patógenos. Tina Hernandez-Boussard, profesora de Medicina en Stanford, colaboró específicamente en implementar estas salvaguardas de desarrollo responsable.

Qué cambia a partir de ahora

Dave Burke, director de tecnología del Arc Institute, compara Evo 2 con "el kernel de un sistema operativo": una base sobre la que distintos equipos podrán construir aplicaciones especializadas, desde la predicción de mutaciones hasta el diseño de organismos sintéticos. Al ser un modelo abierto, cualquier laboratorio de genómica, farmacéutica o universidad puede descargarlo, ajustarlo a su propio problema y ejecutarlo sin depender de una API comercial ni pagar licencias.

Eso democratiza el acceso a una capacidad que hasta ahora solo tenían los equipos con más recursos, pero también traslada la responsabilidad de un uso seguro a cada usuario del modelo, más allá de los filtros que Arc Institute haya podido incorporar de fábrica. La comunidad científica tendrá ahora, por primera vez, un modelo de esta escala para probar hasta dónde llega realmente la comprensión biológica de una IA entrenada sin supervisión humana directa, solo con la secuencia bruta del genoma.