IA y biología: bioinformática básica

Objetivo didáctico

Al terminar esta ficha serás capaz de sintetizar y evaluar una cadena básica de análisis bioinformático, desde la secuenciación y consulta de bases genómicas hasta la predicción estructural y la medicina de precisión, distinguiendo resultados computacionales, evidencia biológica y decisiones éticas cuando se utilizan datos humanos.

Introducción

Secuenciar ADN significa convertir una molécula biológica en información que puede ser procesada computacionalmente. A partir de millones de fragmentos de secuencia, programas reconstruyen regiones genómicas, comparan muestras con referencias, identifican diferencias y relacionan esas variantes con genes, proteínas o fenotipos. Ese tránsito desde la molécula hasta una interpretación es el territorio de la bioinformática.

La inteligencia artificial se incorpora en múltiples puntos de esa cadena. Puede ayudar a reconocer patrones en secuencias, priorizar variantes, predecir efectos funcionales, modelar estructuras proteicas o integrar información genómica con datos clínicos. Sin embargo, un modelo aprende regularidades de los datos disponibles. Si los datos son incompletos, poco representativos o contienen sesgos históricos, la predicción también puede reflejar esas limitaciones.

El cambio de escala es extraordinario. El Proyecto Genoma Humano necesitó una colaboración internacional entre 1990 y 2003 para producir la primera secuencia de referencia humana ampliamente utilizable. Hoy el problema científico ya no es simplemente “leer un genoma”: es almacenar, comparar e interpretar cantidades inmensas de datos genómicos procedentes de personas, tumores, microorganismos, ecosistemas y poblaciones completas.

Por eso esta ficha sigue una idea central: los datos biológicos atraviesan niveles de inferencia. Una máquina puede leer una letra del ADN; un programa puede detectar que difiere de una referencia; una base de datos puede registrar asociaciones; una IA puede predecir un cambio estructural. Cada operación añade información, pero ninguna autoriza por sí sola todas las conclusiones del siguiente nivel.

Desarrollo del tema

Secuenciación de ADN: convertir moléculas en datos interpretables

Las tecnologías de secuenciación determinan el orden de las bases A, C, G y T en moléculas de ADN. En los sistemas de secuenciación masiva, una sola corrida puede producir millones de lecturas. Las tecnologías de lectura corta generan fragmentos numerosos y muy precisos; las tecnologías de lectura larga pueden atravesar regiones repetitivas y variantes estructurales que son difíciles de reconstruir a partir de piezas pequeñas. La elección depende de la pregunta y del presupuesto experimental.

El dato crudo tampoco es todavía “el genoma”. Habitualmente cada lectura incluye una secuencia y medidas de calidad. Después se evalúan errores, adaptadores y cobertura; las lecturas pueden alinearse contra una referencia o ensamblarse; posteriormente se buscan variantes y se anotan sus posibles consecuencias. Dos pipelines pueden partir de la misma muestra y diferir si utilizan referencias, filtros o algoritmos distintos.

La historia del genoma humano muestra que una “referencia” también evoluciona. El Proyecto Genoma Humano terminó en 2003 con una secuencia que cubría casi todas las regiones eucromáticas accesibles entonces. En 2022, el consorcio Telomere-to-Telomere publicó T2T-CHM13, una secuencia de 3.055 mil millones de pares de bases que resolvió alrededor del 8% que había permanecido incompleto y añadió casi 200 millones de pares de bases respecto de referencias previas (Nurk et al., 2022).

El cambio continuó en 2023 con el primer borrador del pangenoma humano, construido inicialmente con 47 individuos genéticamente diversos y 94 haplotipos. Esa referencia añadió 119 millones de pares de bases de secuencias polimórficas e hizo más visible una idea decisiva: analizar a toda la humanidad contra una sola secuencia lineal puede introducir sesgos de referencia (Liao et al., 2023). La bioinformática no analiza únicamente ADN; también decide contra qué representación del ADN compara.

Bases de datos genómicas: el conocimiento depende de metadatos y referencias

Las bases bioinformáticas no son simples almacenes. GenBank conserva secuencias de nucleótidos depositadas por la comunidad científica; RefSeq ofrece conjuntos de secuencias de referencia curadas y no redundantes; Ensembl integra genomas, genes y anotaciones; UniProt organiza información de proteínas; ClinVar reúne interpretaciones sobre la relevancia clínica de variantes humanas. Una misma pregunta puede necesitar consultar varias fuentes porque cada una representa una capa distinta de evidencia.

Un principio básico es conservar los identificadores de acceso y sus versiones. Si una secuencia, un gen o una variante cambia de anotación, decir únicamente “la encontré en GenBank” resulta insuficiente para reproducir el análisis. La bioinformática depende de trazabilidad: referencia utilizada, versión del ensamblaje, fecha, filtros, algoritmo y base consultada pueden cambiar un resultado.

También importa distinguir referencia de normalidad. Un genoma de referencia funciona como un sistema de coordenadas; no representa al “ser humano promedio” ni define cuál alelo es saludable. La frecuencia de una variante puede cambiar entre poblaciones por historia demográfica y ancestría. Si una base contiene pocas personas de una región, una variante frecuente allí puede parecer excepcional simplemente porque la población está insuficientemente representada.

Esta cuestión es especialmente relevante para México y América Latina, donde las poblaciones presentan historias de ancestría complejas y heterogéneas. Un análisis entrenado principalmente con cohortes europeas puede transferirse de manera desigual a poblaciones con componentes indígenas americanos, africanos y europeos. Por eso la expansión hacia pangenomas, cohortes diversas y capacidades genómicas regionales no es un detalle político separado de la ciencia: puede modificar directamente la precisión de una anotación o predicción.

AlphaFold: predecir estructura no significa haber observado la proteína

Las proteínas son cadenas de aminoácidos cuya estructura tridimensional condiciona muchas de sus funciones e interacciones. Durante décadas, determinar estructuras mediante cristalografía de rayos X, resonancia magnética nuclear o microscopía crioelectrónica podía requerir meses o años. Predecir la estructura a partir de la secuencia se convirtió así en uno de los grandes problemas de la biología computacional.

AlphaFold2 transformó el campo en 2020–2021. El modelo desarrollado por DeepMind mostró en CASP14 una precisión competitiva con estructuras experimentales para gran parte de los objetivos y fue descrito en Nature en 2021 (Jumper et al., 2021). En 2024, Demis Hassabis y John Jumper compartieron la mitad del Premio Nobel de Química por la predicción de estructuras proteicas. AlphaFold3 amplió posteriormente el modelado hacia complejos que pueden incluir proteínas, ácidos nucleicos, moléculas pequeñas, iones y residuos modificados (Abramson et al., 2024).

El impacto científico surge precisamente de esa nueva división del trabajo. Antes, la falta de una estructura podía bloquear una hipótesis durante años. Ahora una predicción puede orientar mutagénesis, seleccionar regiones para estudiar o sugerir posibles interacciones. Pero la IA no elimina la biología experimental: cambia dónde conviene invertirla. Una buena predicción puede evitar búsquedas ciegas y convertir un experimento costoso en una prueba más dirigida.

La lección general trasciende AlphaFold. Un modelo de IA puede reconocer regularidades extraordinariamente complejas sin proporcionar automáticamente una explicación causal. En bioinformática, el resultado más valioso suele ser una hipótesis priorizada con incertidumbre explícita, no una respuesta presentada como certeza porque provino de una red neuronal.

Medicina de precisión: personalizar no significa reducir una persona a su genoma

La medicina de precisión busca adaptar prevención, diagnóstico o tratamiento considerando diferencias relevantes entre personas. La genómica puede contribuir identificando variantes asociadas a respuesta farmacológica, enfermedades hereditarias o características moleculares de un tumor. Sin embargo, “precisión” no significa que exista una predicción perfecta del futuro biológico ni que toda enfermedad pueda explicarse principalmente mediante ADN.

Para enfermedades monogénicas, una variante puede tener una relación causal muy fuerte con el fenotipo. En enfermedades comunes —diabetes tipo 2, hipertensión, muchas enfermedades cardiovasculares o trastornos psiquiátricos— suelen intervenir numerosas variantes de efectos pequeños junto con ambiente, edad, alimentación, exposiciones, condiciones sociales y otros procesos biológicos. Un riesgo genético es una probabilidad contextual, no un destino.

Un ejemplo es la oncología de precisión. Dos tumores localizados en el mismo órgano pueden presentar alteraciones moleculares diferentes y responder de manera distinta a determinados fármacos. En esos casos, secuenciar tejido tumoral puede ayudar a clasificar subtipos o encontrar blancos terapéuticos. Pero que exista una variante “accionable” en literatura no garantiza que el tratamiento esté disponible, sea adecuado para esa persona o produzca el mismo beneficio observado en otro contexto.

Aquí la calidad de las bases de datos vuelve a ser decisiva. Un algoritmo entrenado con poblaciones poco diversas puede estimar peor el riesgo en grupos históricamente subrepresentados. El borrador del pangenoma humano de 2023 y los esfuerzos por ampliar cohortes genómicas internacionales responden, en parte, a ese problema. Para América Latina, aumentar representación no significa etiquetar genéticamente a una región como homogénea: significa capturar mejor su diversidad y evitar que los modelos confundan ausencia de datos con rareza biológica.

Ética de datos biológicos: compartir para descubrir sin convertir personas en recursos

Los datos genómicos tienen una característica ética particular: son profundamente personales y, al mismo tiempo, relacionales. El genoma de una persona comparte información con familiares biológicos y puede revelar ascendencia, parentescos o susceptibilidades que nadie estaba buscando. Además, una secuencia permanece relativamente estable durante toda la vida, de modo que una filtración no puede “resolverse” cambiando el genoma como se cambia una contraseña.

La Organización Mundial de la Salud publicó en noviembre de 2024 principios para la recolección, acceso, uso y compartición de datos genómicos humanos. El marco enfatiza consentimiento, privacidad, transparencia, equidad, inclusión, confianza, beneficio compartido y construcción de capacidades. La gobernanza debe proteger individuos y comunidades sin bloquear innecesariamente el intercambio de información que puede producir beneficios de salud.

La desidentificación tampoco elimina mágicamente el riesgo. Un genoma es en sí mismo altamente distintivo y puede combinarse con otros conjuntos de datos. Por eso deben considerarse controles de acceso, minimización, seguridad, finalidad de uso y reglas de reutilización. La pregunta no es solo “¿quitamos el nombre?”, sino quién puede acceder, con qué propósito, durante cuánto tiempo, bajo qué auditoría y qué ocurre cuando cambian los objetivos del proyecto.

La equidad incluye además quién obtiene beneficios de los datos. Una comunidad puede aportar muestras que permiten publicaciones, patentes o herramientas predictivas sin recibir infraestructura, diagnóstico ni acceso a las aplicaciones resultantes. Una gobernanza responsable debe pensar en participación, retorno de beneficios, reconocimiento de contribuciones y desarrollo de capacidad científica local.

Este punto completa el círculo de la ficha. La IA necesita datos; los datos proceden de organismos y personas; las bases organizan esos datos; los modelos extraen patrones; y la medicina intenta convertirlos en decisiones. En cada transición aparecen preguntas distintas de calidad, incertidumbre y poder. El desafío no es elegir entre “compartir todo” o “proteger todo”, sino construir condiciones en las que la colaboración científica siga siendo posible sin tratar los datos biológicos como si estuvieran separados de las personas y comunidades que los hicieron posibles.

Conclusión

El objetivo era construir una lectura integrada de la bioinformática básica. La secuenciación transforma moléculas en datos; los pipelines convierten lecturas en variantes; las bases de datos aportan contexto; modelos como AlphaFold convierten secuencias en hipótesis estructurales; y la medicina de precisión intenta conectar esas capas con problemas concretos de salud. Cada transición produce nueva información, pero también nuevas oportunidades de error.

La inteligencia artificial acelera varias de esas transiciones porque puede encontrar regularidades en volúmenes de datos imposibles de examinar manualmente. Su fuerza, sin embargo, depende de las referencias, las poblaciones, las etiquetas y las evidencias con las que aprende. Una predicción de alta confianza puede merecer un experimento; una variante bien anotada puede merecer evaluación clínica; ninguna de las dos debería saltarse los pasos intermedios solo porque el algoritmo parece convincente.

La competencia científica más importante ante esta nueva biología es aprender a preguntar qué representa exactamente cada resultado, qué evidencia lo sostiene y qué inferencia todavía falta justificar. Esa disciplina permite aprovechar la IA sin convertirla en autoridad y compartir datos sin olvidar que los datos genómicos conservan una relación permanente con personas, familias y poblaciones.

Actividad de aprendizaje autónoma

Proyecto final · Dossier de evidencia bioinformática de un gen

Seleccione un gen humano relacionado con una función biológica o con una condición de salud que desee investigar. El producto será un dossier crítico de 900 a 1,100 palabras que reconstruya cómo cambia la evidencia al pasar de secuencia a estructura, función e interpretación. La actividad es educativa: no utilice el ejercicio para diagnosticar, recomendar tratamientos ni interpretar datos genéticos personales.

Desarrolle el dossier mediante esta secuencia:

1. Localice el gen en una base de referencia como NCBI o Ensembl y registre símbolo, ubicación genómica, ensamblaje utilizado y al menos un identificador estable.
2. Localice su producto proteico en UniProt. Distinga qué información está curada experimentalmente y qué parte procede de anotaciones computacionales.
3. Seleccione una variante pública documentada en una base como ClinVar. Registre su clasificación y, sobre todo, el nivel o tipo de evidencia que la acompaña. No convierta la clasificación en diagnóstico personal.
4. Busque la estructura correspondiente en AlphaFold DB. Examine pLDDT y, cuando corresponda, PAE. Identifique regiones de alta y baja confianza.
5. Compare la estructura predicha con cualquier estructura experimental disponible o con literatura que investigue la proteína. Explique qué añade la predicción y qué sigue sin demostrar.
6. Construya una cadena explícita: secuencia → variante → posible consecuencia molecular → evidencia funcional → posible relevancia biológica. Marque dónde cada flecha tiene evidencia fuerte, débil o solamente predictiva.
7. Analice un riesgo de sesgo de población. Pregunte si las frecuencias o asociaciones utilizadas representan adecuadamente poblaciones latinoamericanas o si existen vacíos de información.
8. Incluya una sección ética de 150–200 palabras sobre consentimiento, privacidad, uso secundario de datos y distribución de beneficios si el análisis se realizara con genomas de personas reales.
9. Cierre con tres afirmaciones: una que la evidencia permita sostener con confianza, una que solo pueda formularse como hipótesis y una que sería injustificada con los datos disponibles.

Evidencia de logro: el dossier registra versiones e identificadores, distingue referencia de normalidad, separa predicción estructural de validación experimental, no interpreta una variante pública como diagnóstico personal, identifica al menos un sesgo potencial de representación y hace visible dónde termina la evidencia y comienza la inferencia.

Criterio de éxito: otra persona debe poder reconstruir de dónde salió cada afirmación del dossier y clasificarla como dato observado, anotación de base, predicción de IA, evidencia experimental o interpretación razonada.

Reflexión final: si mañana un modelo de IA produce una predicción con 99% de confianza que contradice un experimento bien controlado, ¿qué evidencia debería revisar primero antes de decidir cuál conclusión modificar? Explique qué entiende ahora por “confianza” cuando proviene de fuentes científicas diferentes.

Referencias · APA 7

Abramson, J., Adler, J., Dunger, J., Evans, R., Green, T., Pritzel, A., et al. (2024). Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 630, 493–500. doi:10.1038/s41586-024-07487-w.

Instituto Nacional de Medicina Genómica. (2025). Medicina de precisión: avance científico, mejor eficacia y reducción de costos. INMEGEN.

Jumper, J., Evans, R., Pritzel, A., Green, T., Figurnov, M., Ronneberger, O., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589. doi:10.1038/s41586-021-03819-2.

Liao, W.-W., Asri, M., Ebler, J., Doerr, D., Haukness, M., Hickey, G., et al. (2023). A draft human pangenome reference. Nature, 617, 312–324. doi:10.1038/s41586-023-05896-x.

National Center for Biotechnology Information. (2026). GenBank release 272.0: Distribution release notes. National Library of Medicine.

Nobel Prize Outreach. (2024). The Nobel Prize in Chemistry 2024. Nobel Prize Outreach.

Nurk, S., Koren, S., Rhie, A., Rautiainen, M., Bzikadze, A. V., Mikheenko, A., et al. (2022). The complete sequence of a human genome. Science, 376(6588), 44–53. doi:10.1126/science.abj6987.

World Health Organization. (2024). Guidance for human genome data collection, access, use and sharing. World Health Organization.