GPT-5 mejora la clonación y acelera investigación biológica | Keryc
GPT-5 está empezando a mostrar cómo la inteligencia artificial puede hacer más que resumir artículos: puede proponer cambios concretos en protocolos de laboratorio que los científicos pueden probar. ¿Suena a ciencia ficción? No tanto. En un experimento controlado, el modelo propuso mejoras que aumentaron la eficiencia de un protocolo de clonación molecular en 79 veces, y lo hizo trabajando con datos experimentales reales.
Qué hicieron
Un equipo de OpenAI colaboró con la startup Red Queen Bio para probar cómo un modelo de frontera, GPT-5, se comporta cuando se le pide optimizar un experimento en el laboratorio húmedo (wet lab). Eligieron un sistema sencillo y bien definido: una clonación de dos fragmentos usando el gen de la proteína verde fluorescente (GFP) y el plásmido pUC19, con el objetivo de aumentar el número de colonias verificadas por secuencia.
Las reglas fueron claras: el modelo proponía cambios, los científicos ejecutaban los experimentos y subían los resultados. El prompting era fijo, con mínima intervención humana, para poder atribuir mejoras directamente a la capacidad del modelo de razonar y proponer ideas nuevas.
Qué encontraron
Después de varias rondas iterativas, GPT-5 logró una mejora acumulada de la eficiencia de clonación de 79x respecto al protocolo inicial basado en HiFi/Gibson. ¿Qué significa 79x? Por la misma cantidad de ADN de entrada, se obtuvieron 79 veces más clones verificados.
Las mejoras vinieron por dos frentes:
Un nuevo procedimiento enzimático propuesto por el modelo, llamado RecA-Assisted Pair-and-Finish HiFi Assembly (RAPF-HiFi), que incorpora dos proteínas: RecA (recombinasa de E. coli) y gp32 (proteína de unión a ADN de cadena sencilla del fago T4). Ese combo ayudó a que los extremos de ADN se encuentren y emparejen mejor.
Una modificación simple pero efectiva del paso de transformación: concentrar las células (centrifugar, eliminar la mitad del volumen y resuspender a 4°C) antes de añadir el ADN, lo que aumentó la eficiencia de transformación en más de 30x en la validación final.
Cómo funciona RAPF-HiFi (explicado sencillo)
La idea central de RAPF-HiFi es facilitar que las piezas de ADN se encuentren correctamente antes de que las enzimas habituales las sellen. En términos simples:
gp32 actúa limpiando y desenredando las colas de ADN de cadena sencilla, evitando estructuras secundarias que bloquean el apareamiento.
RecA busca y empareja las hebras complementarias, guiando la unión correcta.
Luego se sube la temperatura para que ambos helpers se desprendan y las enzimas de ensamblaje (polimerasa y ligasa) completen la reacción.
Los experimentos de control mostraron que quitar cualquiera de las dos proteínas reduce el beneficio, lo que sugiere que ambas son necesarias para el mecanismo propuesto.
Proceso experimental y robótica
Para escalar y acelerar las pruebas, se construyó un sistema robótico (Robot on Rails) que convierte protocolos en lenguaje natural a acciones robóticas, identifica material con visión y planifica movimientos. El robot ejecutó en paralelo el protocolo estándar y una versión modificada por IA.
El robot replicó las mejoras relativas observadas por humanos, pero produjo conteos absolutos de colonias aproximadamente 10 veces menores, lo que revela áreas claras de mejora: manejo de líquidos, control de temperatura y matices del trato manual con células competentes.
Qué limitaciones y precauciones existen
No todo es un avance listo para uso general. Los autores subrayan que:
Los resultados vienen de un sistema benigno y muy controlado; los efectos pueden ser específicos del montaje experimental.
El experimento fue diseñado con restricciones expresas y evaluaciones de bioseguridad. El objetivo fue medir capacidades, no desplegar un método sin supervisión.
Aunque el prompting fue fijo para medir la autonomía del modelo, esa misma elección limitó la optimización fina de ideas prometedoras. Un balance mejor entre exploración y explotación podría dar resultados mayores.
Estas pruebas sirven también para evaluar riesgos: si modelos avanzados pueden proponer cambios prácticos en métodos de laboratorio, hay que acompañarlo de salvaguardas y marcos de preparación.
¿Qué nos dice esto sobre la IA en ciencia?
Primero: la IA puede aportar ideas mecánicas útiles, no solo revisar literatura. Aquí propuso una combinación enzimática poco habitual (RecA + gp32) y cambios operativos simples pero efectivos. ¿Te sorprende que una sugerencia obvia para un científico fuera nueva? A veces lo obvio aparece cuando se exploran combinaciones fuera de la rutina humana.
Segundo: la interacción humano-IA sigue siendo clave. Los científicos hicieron los experimentos, interpretaron resultados y mantuvieron controles de seguridad. La IA acelera la iteración, pero no la reemplaza.
Tercero: la automatización puede multiplicar el ritmo, aunque requiere ajuste fino. Los robots hicieron bien la tarea relativa, pero hay arte en el laboratorio que aún cuesta replicar.
Reflexión final
Este trabajo no anuncia una revolución instantánea, pero sí una dirección práctica: modelos como GPT-5 pueden proponer y aprender de experimentos reales, ayudando a reducir tiempo y costos en investigación. Al mismo tiempo, esos mismos avances piden responsabilidad: evaluaciones de riesgo, límites experimentales y salvaguardas técnicas y operativas.
La ciencia avanza por iteraciones pequeñas y acumuladas. Aquí vemos una iteración que vino de una IA: útil, concreta y sujeta a mejora. ¿Te imaginas el ritmo de descubrimiento con IA que trabaje codo a codo con investigadores y robots bien regulados? La posibilidad está en marcha, pero debe manejarse con cuidado.
