La IA promete curar la gripe aviar, pero también podría crear la próxima pandemia

Red Queen Bio, la spin‑off biotecnológica respaldada por OpenAI, utiliza modelos de IA para diseñar anticuerpos contra la gripe aviar y pretende acelerar la respuesta a futuras amenazas biológicas.

Red Queen Bio anunció que sus algoritmos de inteligencia artificial pueden generar candidatos a anticuerpos contra la gripe aviar en cuestión de semanas, un proceso que en la industria tradicional lleva años. La startup, que recibió una ronda seed de 15 millones de dólares liderada por OpenAI en noviembre de 2025 y ha recaudado un total de 36 millones, afirma que su objetivo es “escapar” de la velocidad con la que los modelos de IA podrían ser empleados para crear armas biológicas.

Modelo de negocio y la apuesta de OpenAI

Fundada por el físico teórico Nikolai Eroshenko y el escritor de ciencia ficción Hannu Rajaniemi, Red Queen se presentó como una escisión de HelixNano en 2025. Su primera hoja de ruta incluye anticuerpos contra la gripe aviar y otras cepas de influenza; en una segunda fase planean atacar coronavirus, ébolas y parientes de la viruela, con la primera prueba clínica prevista para 2027.

OpenAI no solo aportó capital; también entrega acceso a sus modelos de lenguaje y visión de última generación. Según Eroshenko, la relación va más allá de la financiación: “OpenAI reconoce que sus propias herramientas podrían facilitar la creación de bioarmas y por eso invierte en contramedidas”. La implicación es clara: el laboratorio que entrena los sistemas de IA más potentes también financia a la empresa que intenta contener los riesgos que esos sistemas generan.

Cómo funciona el diseño asistido por IA

En el flujo tradicional, cada candidato a fármaco se sintetiza, se prueba en cultivos y se analiza manualmente, lo que implica ciclos de años. Red Queen inserta la IA en la fase de diseño inicial: los modelos generan miles de secuencias de anticuerpos que, según los datos estructurales disponibles, deberían adherirse con alta afinidad a las proteínas de superficie del virus.

Una vez generados, los candidatos se expresan en células de cultivo, se evalúan in vitro y los resultados retroalimentan el algoritmo para producir versiones mejoradas. Como explicó Eroshenko al Wall Street Journal:

«Cuanto más fuerte se unen, menos cantidad necesitas». «De repente, tienes algo que puede escalar».

El argumento central es que una unión más potente reduce la dosis necesaria, lo que a su vez abre la puerta a una producción más rápida y menos costosa. En teoría, el tiempo entre la detección de un patógeno emergente y la disponibilidad de un anticuerpo funcional se reduciría de años a semanas.

Riesgos de bioseguridad y la postura de la industria

Red Queen deja explícita una línea roja: nunca realiza investigaciones de ganancia de función ni produce ni aísla patógenos peligrosos. Solo manipulan proteínas de superficie, evitando el manejo directo del virus completo. Sin embargo, la propia capacidad de diseñar anticuerpos implica una comprensión profunda de los mismos epítopos que un atacante podría explotar para crear variantes más evasivas.

El debate ya se extiende más allá de la startup. Dario Amodei, cofundador de Anthropic, solicitó al Consejo de Seguridad de la ONU una prohibición explícita de bioarmas impulsadas por IA. En julio, Anthropic reveló que su laboratorio de biología, ArTERMIS, había obtenido resultados relevantes en investigación biomédica. Ese mismo mes, DeepMind lanzó un programa de bioseguridad, mientras un estudio de Cisco señaló que ningún modelo de IA estaba completamente protegido contra consultas que buscaban información sobre agentes biológicos.

El escenario que motiva a Red Queen —y que alarma a los laboratorios más grandes— es la democratización del conocimiento técnico necesario para diseñar patógenos peligrosos. La combinación de bases de datos biológicas abiertas y modelos de IA capaces de generar secuencias funcionales podría acortar la brecha entre la idea de una arma biológica y su materialización.

Perspectiva práctica para el sector biotecnológico

Para los laboratorios de desarrollo de fármacos, la propuesta de Red Queen plantea dos preguntas críticas. Primero, ¿cuánto se reduce la carga operativa al delegar la generación de candidatos a una IA? Segundo, ¿qué protocolos de vigilancia se requieren para asegurar que la misma herramienta no sea subvertida?

• Infraestructura mínima: servidores con GPUs de gama alta (por ejemplo, Nvidia A100) para ejecutar los modelos de generación de secuencias.
• Costos de cómputo: estimados en torno a 5 mil dólares mensuales para entrenar y actualizar los modelos con nuevos datos estructurales.
• Regulación: la ausencia de patentes claras sobre algoritmos de diseño de anticuerpos genera incertidumbre legal en varias jurisdicciones.

En la práctica, las pequeñas biotecnologías que carecen de recursos de supercomputación podrían beneficiarse de servicios en la nube ofrecidos por OpenAI o por terceros, pero también quedan expuestas a la misma vulnerabilidad que Red Queen intenta mitigar. La clave estará en la creación de marcos de gobernanza que obliguen a los proveedores de IA a auditar usos potencialmente peligrosos y a ofrecer mecanismos de control de acceso.

En última instancia, el éxito de Red Queen dependerá de si su modelo de IA logra traducir la velocidad de generación en efectividad clínica. Si los anticuerpos diseñados pasan las pruebas de seguridad y eficacia, la empresa podría establecer un nuevo estándar para la respuesta rápida a pandemias. Si, por el contrario, la velocidad sacrifica la robustez, la iniciativa podría convertirse en otro caso de hype tecnológico sin impacto tangible.