La IA GPT-5 mejora 79 veces un protocolo de clonación

GPT-5 logró aumentar 79 veces la eficiencia de un protocolo de clonación de ADN en un laboratorio, según una evaluación realizada por OpenAI junto con la empresa de bioseguridad Red Queen Bio. El modelo propuso cambios, analizó los resultados de cada ronda y ajustó sus siguientes recomendaciones sin recibir orientación humana sobre qué probar.

El resultado no significa que GPT-5 pueda dirigir un laboratorio por su cuenta. Los científicos tuvieron que ejecutar los experimentos y cargar los datos. Pero sí muestra algo importante: una IA puede ayudar a mejorar procesos biológicos reales, no solo resumir artículos o sugerir hipótesis.

Qué hizo GPT-5 en el laboratorio

El equipo utilizó un sistema controlado de biología molecular basado en la técnica de ensamblaje de Gibson, un método habitual para unir fragmentos de ADN. El objetivo era sencillo de medir: obtener más colonias bacterianas a partir de una cantidad fija de ADN.

En cada ronda, GPT-5 propuso entre ocho y diez reacciones diferentes. Los investigadores las probaron, compararon los resultados con el protocolo de referencia y enviaron los datos más prometedores a la siguiente ronda.

El modelo terminó proponiendo una combinación de dos proteínas que, según OpenAI, no se había utilizado antes como método funcional de este tipo:

• RecA, una proteína que ayuda a encontrar secuencias de ADN compatibles.
• Gp32, una proteína que se une al ADN de una sola cadena y ayuda a evitar que se enrede.

La combinación recibió el nombre de RAPF-HiFi. En las pruebas iniciales, este nuevo procedimiento aumentó la eficiencia más de 2,5 veces. El incremento total de 79 veces también incluyó mejoras en la fase de transformación, el paso en el que el ADN entra en las células bacterianas.

De dónde salió la mayor mejora

La modificación más eficaz en la transformación fue menos sofisticada de lo esperado. El modelo propuso concentrar las células antes de añadir el ADN y retirar parte del líquido en el que venían suspendidas. Esta variante superó 30 veces al procedimiento de referencia en la validación final.

La mejora completa, de 79 veces, se confirmó con réplicas experimentales. Aun así, no se trata de una cifra universal. El resultado corresponde al sistema concreto utilizado en el estudio, con sus reactivos, células y condiciones de laboratorio.

Además, algunos de los cambios que parecían funcionar muy bien en la primera ronda tuvieron efectos menores al repetirse con más diluciones de ADN. Eso muestra un problema habitual en ciencia: un resultado llamativo debe sobrevivir a nuevas pruebas antes de considerarse robusto.

El modelo razonó y aprendió de los resultados

La evaluación buscaba medir algo más que la capacidad de seguir instrucciones. GPT-5 tenía que proponer modificaciones, explicar posibles mecanismos y cambiar de estrategia a partir de los datos obtenidos.

El caso de RecA y gp32 es relevante porque el modelo no solo añadió dos ingredientes. También propuso combinarlos con distintos momentos de incubación, de modo que cada proteína actuara en una fase diferente de la reacción. Los investigadores comprobaron después que retirar cualquiera de las dos reducía el rendimiento, lo que apunta a que ambas participan en la mejora.

OpenAI describe esto como una muestra de razonamiento biológico experimental. Sin embargo, el trabajo no demuestra que el modelo comprenda la biología como un investigador humano ni que pueda generalizar la solución a otros experimentos.

También probaron un robot de laboratorio

Red Queen Bio y Robot on Rails utilizaron un sistema robótico capaz de convertir instrucciones escritas en acciones físicas. El robot podía mover líquidos, manipular tubos, aplicar calor y preparar placas, mientras una cámara identificaba el material de laboratorio.

Al ejecutar protocolos de clonación, el robot obtuvo mejoras relativas similares a las de los experimentos manuales. Pero produjo alrededor de diez veces menos colonias en términos absolutos, una diferencia que los investigadores atribuyen a aspectos como la precisión al manejar líquidos, el control de temperatura y los pequeños detalles de la manipulación manual.

Qué cambia para la investigación

Para un laboratorio, una mejora de este tipo podría significar menos material desperdiciado, más experimentos con el mismo presupuesto y ciclos de investigación más rápidos. En áreas como la ingeniería de proteínas o el diseño de pruebas genéticas, donde se analizan muchas variantes, aumentar la eficiencia de una técnica básica puede tener un efecto práctico considerable.

La limitación principal es que el sistema todavía funciona dentro de un circuito supervisado: la IA propone, las personas ejecutan y los datos vuelven al modelo. También se usaron un sistema biológico benigno y una tarea acotada para reducir los riesgos de bioseguridad.

El siguiente paso será comprobar si estos métodos mantienen su rendimiento en otros protocolos y si los modelos pueden equilibrar mejor la exploración de ideas nuevas con la optimización de las que ya funcionan. La señal más importante de este estudio no es que una IA haya sustituido al científico, sino que empieza a convertirse en una herramienta capaz de diseñar y mejorar experimentos físicos con ayuda de sus propios resultados.