Por Canuto  

Basecamp Research captó USD $140 millones de inversores como Nvidia y Anthropic para ampliar EDEN, una familia de modelos que aprende de material genético recolectado en ecosistemas poco estudiados. La startup londinense busca diseñar antibióticos y herramientas de terapia génica, aunque sus candidatos todavía enfrentan años de pruebas antes de llegar a pacientes.

***

  • Basecamp Research obtuvo USD $140 millones y planea expandir sus modelos biológicos EDEN y sus programas terapéuticos.
  • La empresa recopila ADN de selvas, océanos, fuentes termales y otros hábitats para suplir las limitaciones de las bases genómicas públicas.
  • Un candidato antimicrobiano mostró resultados en laboratorio y ratones, pero la startup aún no tiene programas más allá de la optimización de candidatos.

 

 

Basecamp Research, una startup londinense fundada en 2020, recaudó USD $140 millones para ampliar sus modelos de inteligencia artificial (IA) biológica y llevar candidatos terapéuticos hacia el desarrollo clínico. La ronda fue liderada por S32 e incluyó a Nvidia, el Anthology Fund de Anthropic, el Fondo de Innovación de la OTAN y Redalpine, entre otros inversores, según informó la empresa.

La compañía entrena su familia de modelos EDEN con material genético recolectado en selvas tropicales, océanos, terrenos volcánicos y fuentes termales, con la expectativa de descubrir patrones útiles para crear medicamentos. Su apuesta combina grandes volúmenes de secuencias con experimentos específicos en células y animales, aunque los resultados disponibles todavía no prueban que sus diseños sean seguros o eficaces en seres humanos.

Una base de datos genética mucho más amplia

Philip Lorenz, director de tecnología de Basecamp Research, sostiene que la biología plantea un desafío mucho mayor para la IA que el lenguaje porque sus procesos son más numerosos, interconectados y difíciles de medir. A su juicio, el escalamiento de los modelos puede generar avances importantes, pero la empresa necesita órdenes de magnitud más datos para representar la diversidad de la vida.

El contraste con los modelos de lenguaje ayuda a dimensionar la apuesta. Mientras las estimaciones citadas por Lorenz ubican el límite superior de las palabras existentes en unos cinco billones de tokens, Basecamp calcula que la Tierra contiene aproximadamente 10^37 nucleótidos, una cantidad que el ejecutivo utiliza para ilustrar la enorme distancia entre el universo biológico y los conjuntos de datos actuales.

La empresa también cuestiona la representatividad de las bases públicas de genomas. Según su análisis de BaseData, cerca del 68% del volumen de secuencias del Sequence Read Archive procede de apenas cinco especies y los seres humanos concentran aproximadamente 54%, una distribución útil para ciertos estudios médicos, pero limitada para un modelo que busca aprender procesos biológicos diversos.

Para reducir ese sesgo, Basecamp trabaja con investigadores y organizaciones locales en más de 30 países y los siete continentes, de acuerdo con sus anuncios y materiales corporativos. Microsoft situó la red en 208 organizaciones de 31 países, mientras Lorenz afirmó que el conjunto de datos rondaba los 15 billones de tokens durante la entrevista, aunque cada token representa un bloque de ADN y no una palabra.

La primera generación de EDEN habría sido entrenada con 9,7 billones de bloques de ADN procedentes de más de un millón de especies recién secuenciadas. Microsoft indicó que el entrenamiento se realizó en Azure junto con investigadores de la compañía y que utilizó una capacidad de cómputo comparable a la empleada por GPT-4, una equivalencia que OpenAI nunca ha detallado oficialmente.

De la evolución a los candidatos terapéuticos

La lógica de Basecamp parte de una observación conocida en farmacología: plantas, hongos y bacterias han producido moléculas con efectos médicos mucho antes de que los laboratorios pudieran identificarlas. Lorenz destaca especialmente las competencias entre microorganismos, donde una bacteria puede generar sustancias para inhibir o eliminar rivales cuando los nutrientes son escasos.

Los fagos ofrecen otro ejemplo de soluciones evolucionadas que podrían inspirar herramientas médicas. Estos virus infectan bacterias e introducen su ADN en las células, un mecanismo que, según Lorenz, puede aportar ideas para diseñar sistemas de edición genética y de inserción de material hereditario.

EDEN no pretende limitarse a recuperar compuestos conocidos, sino generar nuevos candidatos a partir de patrones aprendidos en secuencias genéticas. Para conservar el contexto biológico, Basecamp registra las condiciones químicas, físicas y ecológicas de cada muestra y prioriza tramos largos y continuos de ADN, donde los genes vecinos pueden revelar funciones coordinadas.

Uno de los primeros campos de prueba son los péptidos antimicrobianos, cadenas cortas de proteínas capaces de atacar bacterias. En un trabajo de investigación de la familia EDEN que todavía no había sido revisado por pares, la empresa informó que el 97% de un conjunto seleccionado de candidatos mostró actividad en laboratorio, una cifra que solo corresponde a las moléculas evaluadas y no a todo lo que el modelo pueda diseñar.

La compañía también comunicó resultados con EDEN-7, un candidato probado en ratones infectados con bacterias multirresistentes. Según Basecamp, el compuesto funcionó aproximadamente tan bien como un antibiótico de último recurso y fue generado directamente por el modelo, sin rondas adicionales de ajuste antes de la prueba, en un trabajo realizado con investigadores de la Universidad de Pensilvania dirigidos por César de la Fuente.

En otro proyecto, EDEN generó un microbioma intestinal sintético de unas 9.000 especies bacterianas, de acuerdo con Microsoft. La validación contó con criterios establecidos por Jill Banfield, investigadora de microbiomas de la Universidad de California en Berkeley, una participación que Basecamp presenta como un control externo frente a la tentación de evaluar los resultados únicamente con la propia IA.

La promesa de terapias celulares dentro del cuerpo

El programa terapéutico principal de Basecamp busca diseñar herramientas capaces de insertar tramos extensos de ADN en ubicaciones precisas del genoma humano. Entre ellas figuran grandes recombinasas de serina, enzimas que pueden unir ADN y que la empresa quiere reprogramar para introducir copias saludables de genes sin depender de la mutación particular de cada paciente.

La estrategia podría abordar enfermedades hereditarias causadas por múltiples variantes, porque una copia funcional del gen podría insertarse de forma independiente del defecto específico. Sin embargo, que una recombinasa funcione en células cultivadas no resuelve los problemas de transporte, toxicidad, control de la edición ni respuesta defensiva del organismo.

En el trabajo de EDEN, Basecamp informó que había encontrado candidatos funcionales para distintas regiones objetivo relacionadas con enfermedades estudiadas y que la mitad de las recombinasas generadas mostró actividad en células humanas. La empresa también afirmó en enero que células T humanas primarias modificadas eliminaron más del 90% de las células tumorales en laboratorio, un resultado asociado con posibles terapias CAR-T.

La compañía quiere llevar esas herramientas hacia terapias CAR-T in vivo, es decir, modificaciones realizadas directamente dentro del cuerpo, con la intención de simplificar una fabricación que actualmente puede costar cientos de miles de dólares por paciente. Patrick Hsu, cofundador del Arc Institute, señaló en un informe del Financial Times que la entrega segura, los efectos tóxicos y las defensas celulares siguen siendo desafíos abiertos.

El pipeline publicado por Basecamp muestra la distancia entre los resultados iniciales y un tratamiento aprobado. A septiembre de 2026, ninguno de sus seis programas había superado la etapa de optimización de candidatos, que precede a los estudios preclínicos y, posteriormente, a los ensayos en humanos.

Cuatro programas se encontraban en optimización de candidatos: terapias CAR-T in vivo para cáncer de sangre y una enfermedad autoinmune no revelada, una terapia génica hepática para la fenilcetonuria y péptidos antimicrobianos contra patógenos resistentes. Una terapia CAR-T para tumores sólidos y péptidos destinados a la diabetes permanecían en investigación temprana, sin que la empresa identificara cuál llegará primero a ensayos clínicos.

Más datos, aprendizaje por refuerzo y límites de las métricas

Basecamp combina el entrenamiento masivo con experimentos de menor escala en su laboratorio de Boston, donde estudia, entre otros objetivos, el comportamiento de células T humanas. Esos ensayos producen cientos o miles de puntos de datos, pero permiten responder preguntas concretas sobre si una modificación genética funciona en un tipo celular determinado.

La empresa utiliza esos resultados para ajustar modelos previamente entrenados mediante ejemplos seleccionados y aprendizaje por refuerzo. Lorenz dijo que aproximadamente un tercio de las GPU de Basecamp está reservado para estos experimentos, aunque no ofreció cifras sobre las mejoras medibles obtenidas hasta ahora.

La próxima generación de EDEN debería procesar tareas más cercanas a la práctica clínica, incluidas evaluaciones de seguridad y toxicología, además de secuencias de ADN. Basecamp considera que el ADN ya contiene señales relacionadas con proteínas y estructuras, pero reconoce que las aplicaciones médicas exigirán integrar más tipos de información.

La compañía asegura que su conjunto de datos se ha multiplicado aproximadamente por diez cada año y que cada nuevo entrenamiento ha producido mejoras sin alcanzar una meseta. En comparaciones internas, modelos idénticos entrenados con datos propios superaron a los entrenados con datos públicos en sus curvas de escalamiento, aunque las proyecciones sobre ahorro de horas de GPU no equivalen a resultados clínicos.

La perplejidad, una métrica que mide qué tan bien el modelo predice el siguiente carácter de una secuencia, favoreció a los datos de Basecamp, según Lorenz. No obstante, el ejecutivo advirtió que una mejor puntuación técnica no necesariamente produce mejores moléculas: StripedHyena alcanzó en ocasiones una perplejidad inferior, mientras Llama obtuvo mejores resultados en tareas biológicas posteriores y terminó siendo la arquitectura elegida.

Basecamp también ha integrado funciones seleccionadas de EDEN en Claude y Claude Science, de modo que investigadores puedan describir objetivos en lenguaje natural y recibir candidatos para análisis posteriores. La empresa no planea publicar abiertamente sus modelos, debido a preocupaciones de seguridad y a acuerdos con socios que prefieren controlar el uso comercial de los datos.

Entre sus medidas de reducción de riesgos, la startup elimina ciertos datos virales del entrenamiento y revisa las secuencias generadas frente a bases de datos de patógenos conocidos. Esas salvaguardas pueden limitar usos indebidos, pero no demuestran por sí solas que los modelos sean incapaces de producir resultados problemáticos.

El debate por los beneficios de los datos naturales

La expansión de Basecamp también depende de cómo distribuya los beneficios derivados de muestras obtenidas en territorios y ecosistemas específicos. Lorenz afirmó que la empresa solicita consentimiento informado previo a propietarios de tierras y gobiernos locales y nacionales, y que cada token puede rastrearse hasta una ubicación geográfica y una autorización concreta.

La compañía sostiene que sus socios reciben beneficios antes de que un posible fármaco llegue al mercado, mediante la contratación de científicos locales y la inversión en laboratorios y equipos de secuenciación. Su artículo sobre BaseData describió pagos de licencias distribuidos según la proporción de datos de cada socio utilizada en el entrenamiento, con 52 beneficiarios en 19 países hasta finales de 2024.

El modelo, sin embargo, enfrenta críticas sobre la escala de la compensación. El Financial Times informó en 2025 que los pagos equivalían al 1% de los ingresos, mientras Jim Thomas cuestionó si las comunidades de origen recibían una participación justa en el valor creado por los datos; Aurelie Dingom, del Ministerio de Medio Ambiente de Camerún, también planteó que proporciones más altas serían apropiadas.

Los fundadores de Basecamp respondieron que existen salvaguardas contractuales y que las asociaciones de largo plazo favorecen tanto a la compañía como a los colaboradores locales. La discusión refleja un problema más amplio de la IA biológica: la biodiversidad puede convertirse en un activo estratégico, pero su explotación comercial exige consentimiento, trazabilidad y reglas claras de reparto.

Con los USD $140 millones recién captados, Basecamp tiene recursos para ampliar EDEN, acelerar la recolección genética y avanzar sus programas de antibióticos, terapia génica y células CAR-T. Sus resultados actuales muestran que el modelo puede generar candidatos biológicamente activos, pero todavía falta demostrar que esos diseños puedan convertirse en tratamientos seguros, eficaces y fabricables a escala clínica.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.

 


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados