Cómo la evolución enseña a los anticuerpos exprés

Original: "Conditionally Site-Independent Neural Evolution of Antibody Sequences"
arXiv:2602.18982 · 2026-02-21 · CC BY 4.0 · 1 min
Una red neuronal repite el camino por el que el sistema inmunitario perfecciona sus defensas.

Un anticuerpo es una proteína que atrapa virus y bacterias. Cuando un enemigo entra en el organismo, las células inmunitarias empiezan a probar distintas variantes de anticuerpos, como si ensayaran diferentes llaves para una cerradura. Los cambios útiles se conservan y los perjudiciales se descartan. Así, en unas semanas se obtiene un anticuerpo que encaja perfectamente con su objetivo.

Los modelos informáticos habituales no ven esta historia. Observan los anticuerpos ya formados y los tratan como si fueran independientes entre sí, como cartas de una baraja. Pero cada anticuerpo es descendiente del anterior, y en su estructura queda escrita la ruta de ensayo y error. El nuevo modelo CoSiNE lee ese linaje. Representa la evolución de los anticuerpos como una cadena de pequeños pasos, donde cada paso es el cambio de una letra en el código genético.

El código de un anticuerpo tiene unas 1300 letras, y las variantes posibles son millones de veces más numerosas. La evolución no las prueba a ciegas, sino guiada por la selección.

El modelo no se limita a repetir el pasado: sabe acelerarlo. Un mecanismo integrado, el «guía», dirige la búsqueda hacia anticuerpos que se unen con más fuerza a la diana deseada. Es como si un fitomejorador no esperara mutaciones al azar, sino que plantara directamente semillas con las características deseadas. Por eso CoSiNE supera incluso a los modelos de lenguaje más modernos, que predicen propiedades de las proteínas pero no entienden de dónde provienen esas propiedades.

Un mismo anticuerpo puede cambiar de forma para capturar dos objetivos distintos, como una mano que se adapta a diferentes objetos.

Científicos
Erwin SchrödingerHugh Everett IIIAndrey Markov
Conceptos
redes neuronales de aprendizaje predictivo modelo de lenguaje de proteínas modelo predictivo imagen dinámica no invasiva aprendizaje contrastivo Redes Generativas Antagónicas mapeo de imagen médica a genómica secuencia de aminoácidos regresión de red neuronal aprendizaje autosupervisado redes neuronales convolucionales red filogenética secuenciación