Los algoritmos de diseño proteico ya optimizan rasgos biológicos hacia objetivos definidos por sus creadores. La premisa de Darwin —la evolución como proceso ciego, sin dueño— se rompió. Lo que nadie discute todavía es quién escribe esa función objetivo y con qué criterio.
Darwin nunca tuvo función objetivo
La selección natural es ciega por diseño. Ningún agente decide qué rasgos son deseables; el entorno simplemente castiga o premia variaciones sin intención. Eso es lo que la distingue de un criadero tradicional donde el ganadero sí elige: más lana, más leche, más resistencia a enfermedades. La diferencia no es técnica —es política. El criadero tiene un propietario que define el criterio de éxito. La naturaleza, no.
En los tres artículos anteriores de esta serie establecimos la arquitectura completa del problema: primero, que la biología sintética ya opera con la lógica del software —diseño, compilación, depuración—; después, que ese software tiene dueños concretos, con China acumulando casi la mitad de las patentes globales en el campo; y en la tercera entrega, que el acceso a la herramienta más avanzada de edición genética cuesta 2.2 millones de dólares por paciente. Esta cuarta entrega cierra el argumento con la pregunta que ninguna de las anteriores respondió: ¿quién decide hacia dónde evoluciona la vida?
EVOLVEpro y el fin de la evolución sin dueño
En enero de 2025, investigadores del MIT y del Broad Institute publicaron en Science un sistema llamado EVOLVEpro — un marco de aprendizaje activo— que combina modelos de lenguaje proteico con modelos de regresión para optimizar proteínas con una cantidad mínima de datos experimentales. Con 16 mutantes por ronda en diez rondas de evolución, el sistema logra mejoras de hasta 100 veces en las propiedades deseadas, superando métodos anteriores en seis tipos distintos de proteínas: producción de ARN, edición genómica y unión de anticuerpos.
La palabra clave en esa descripción es "propiedades deseadas". EVOLVEpro no optimiza hacia ningún criterio de éxito reproductivo natural: optimiza hacia una función objetivo que alguien definió antes de correr el experimento. Esa persona —o esa empresa— decide qué significa "mejor" para esa proteína. El proceso es acelerado, eficiente y reproducible. Pero el criterio de éxito no lo pone la naturaleza.
Darwin no tenía accionistas. El algoritmo que reemplaza la selección natural, sí.
AlphaFold y la base de datos de la vida
AlphaFold Protein Structure Database, una colaboración entre Google DeepMind y el EMBL-EBI, pasó de 300,000 estructuras en 2021 a más de 214 millones en 2023 —una expansión de 700 veces en menos de tres años, según Varadi et al. (2024) en Nucleic Acids Research. Ese catálogo representa la fracción más grande del universo proteico conocido. Es, en términos prácticos, un mapa del lenguaje molecular de la vida.
El acceso a esa base de datos es, por ahora, público. La advertencia relevante no es que vaya a cerrarse mañana —puede que no ocurra. Es que fue construida y es mantenida por una corporación privada con inversores y objetivos comerciales. Los derivados industriales de ese conocimiento no serán necesariamente abiertos. Y quien controla el mapa más completo de las proteínas tiene una ventaja estructural sobre quienes quieran usarlo para definir las funciones objetivo del próximo EVOLVEpro.
El escenario breeder y el escenario ecosystem
En abril de 2026, Müller, Steels y Szathmáry publicaron en PNAS un análisis sobre lo que llaman "IA evolvable" —sistemas de IA cuyos componentes, reglas de aprendizaje y condiciones de despliegue pueden someterse ellos mismos a evolución darwiniana. El paper distingue dos futuros posibles. En el escenario breeder, los humanos imponen los criterios de aptitud y controlan la reproducción, como en la ganadería tradicional. En el escenario ecosystem, la selección emerge de entornos abiertos y el control humano se erosiona progresivamente.
Lo que el paper deja implícito —y que vale la pena hacer explícito— es que el escenario breeder no es neutral. "Humanos que imponen los criterios de aptitud" no significa la humanidad en abstracto. Significa los laboratorios con acceso al cómputo, las empresas con capital para correr los experimentos y los gobiernos con capacidad regulatoria para aprobar o bloquear aplicaciones. En la práctica actual, eso es un grupo muy pequeño y muy concentrado geográficamente.
Los criterios de selección corporativa: casos concretos
Isomorphic Labs, el spin-off de Google DeepMind fundado en 2021 para aplicar IA al diseño de fármacos, cerró en marzo de 2025 su primera ronda de financiamiento externo por 600 millones de dólares, liderada por Thrive Capital con participación de Alphabet y GV, según el comunicado oficial de la compañía. El modelo de negocio es directo: el sistema —que incluye AlphaFold 3— predice cómo interactúan los compuestos con las proteínas del cuerpo para identificar candidatos a fármacos. La función de aptitud que optimiza ese sistema se define, en términos comerciales, como "utilidad farmacéutica con potencial de patente".
Eso no es una crítica al modelo —es una descripción. Las enfermedades que no generan mercado suficiente, que afectan a poblaciones con bajo poder adquisitivo o que carecen de respaldo regulatorio en mercados lucrativos, no entran en el paisaje evolutivo que el algoritmo explora. No porque el sistema sea defectuoso, sino porque está funcionando exactamente según su función objetivo. La selección es intencional. El criterio de "aptitud" es rentabilidad.
LATAM: sin laboratorio, sin voz en los criterios de selección
Esta serie ha construido un argumento acumulativo. La primera entrega mostró que la biología sintética ya opera con la lógica del software: diseño, compilación, despliegue. La segunda mostró que ese software tiene dueños concretos, con China acumulando casi la mitad de las patentes globales del campo. La tercera mostró que el acceso a las herramientas de edición más avanzadas seguirá siendo un privilegio de los sistemas de salud con mayor capacidad de gasto. Esta cuarta capa cierra el argumento: la región tampoco tiene representación en la definición de los criterios de aptitud que los algoritmos optimizan.
Las proteínas que EVOLVEpro mejora, las enfermedades que Isomorphic Labs prioriza, los organismos que los sistemas de evolución dirigida seleccionan como objetivo —esos criterios los fija quien paga el cómputo y quien tiene los datos. LATAM no está en esa mesa. No porque haya sido excluida formalmente, sino porque la evolución dirigida —como la evolución natural— no espera: avanza con quien tiene las condiciones para correrla. La diferencia con Darwin es que esta vez hay un boardroom donde se toman las decisiones.
