La apuesta de Biohub por la biología abierta de más de $800 millones

Una organización sin fines de lucro fundada para apoyar la investigación de enfermedades ha asegurado más de $800 millones en compromisos de Estados Unidos y la industria para construir conjuntos de datos abiertos de biología para entrenar IA. Biohub se había reservado el derecho de comercializar sus hallazgos de investigación antes de que cualquiera de esas empresas asumiera este compromiso.

El centro de enfermedades adquirió el stack de un creador de modelos

En 2016, la Chan Zuckerberg Initiative prometió $3 mil millones durante diez años para la investigación de enfermedades, comenzando con un centro de investigación Biohub de $600 millones en UCSF. El diseño respondía una pregunta conocida: ¿cómo podía la filantropía dar a los investigadores capacidad sostenida para estudiar enfermedades? El centro proporcionaba un hogar institucional para ese trabajo; no fue anunciado como un sistema común de datos de entrenamiento para desarrolladores de IA que compiten entre sí.

Para 2025, CZI se había reestructurado en torno a la IA y la investigación científica, con los centros de investigación Biohub encabezando el esfuerzo, y adquirió al equipo de Evolutionary Scale. CZI también planeaba un clúster de más de 1,000 GPU Nvidia H100 para ejecutar modelos de células humanas disponibles abiertamente. En May 2026, Biohub lanzó un modelo de predicción de estructuras de proteínas que describió como un modelo mundial de la biología de proteínas. Investigadores, creadores de modelos y capacidad de cómputo planeada ahora formaban parte del mismo proyecto organizacional.

Luego, el gobierno de Estados Unidos comprometió más de $500 millones, mientras que Meta, Google DeepMind e Isomorphic Labs comprometieron $300 millones, según Reuters. El propósito declarado era construir conjuntos de datos abiertos de biología para entrenar IA, no solo financiar otro lanzamiento de modelo.

La apuesta trascendental de Biohub es que, a medida que más organizaciones construyen modelos de biología, una ventaja duradera puede residir en la institución capaz de producir, estandarizar y gobernar referencias experimentales que esos modelos usan para entrenamiento y validación independiente. La distribución abierta podría ampliar el acceso a los datos mientras concentra el difícil trabajo de hacerlos confiables dentro de la organización que los mantiene. Los compromisos establecen un intento de construir esa capa, no prueban que Biohub ya la opere.

Una referencia biológica necesita el método, no solo el resultado

Una medición se vuelve útil para otro laboratorio solo cuando ese laboratorio puede saber qué se midió y cómo. Una etiqueta de muestra sin el método experimental puede ocultar una diferencia en la preparación; un resultado sin su fuente y registro de calidad puede parecer comparable con otro resultado cuando no lo es. Un modelo entrenado con esos registros puede reproducir esas diferencias con una consistencia impresionante. La consistencia no es una verificación independiente frente a la muestra.

El material derivado de pacientes añade una restricción distinta. Los datos de salud suelen estar fragmentados, ser desordenados y sensibles, por lo que un registro agrupado necesita una anotación precisa y una arquitectura de consentimiento que permita su uso previsto. El esfuerzo de conjuntos de datos reportado de Biohub no establece que incluirá registros de pacientes. Tampoco los reportes proporcionados documentan su esquema, reglas para contribuyentes, prácticas de procedencia, controles de acceso o proceso de mantenimiento. Esos detalles faltantes impiden una afirmación más sólida de que su corpus propuesto pueda servir como referencia entre instituciones.

Un creador de modelos puede entrenar con un conjunto de mediciones y probar con un conjunto experimental genuinamente separado. Si en cambio trata las propias predicciones del modelo como la referencia con la cual evaluarlo, la prueba recompensa la concordancia con un cálculo anterior. El modelo de proteínas de Biohub demuestra una capacidad de modelado; el esfuerzo anunciado de conjuntos de datos plantea la pregunta más difícil de cómo observaciones verificables de manera independiente llegarían a otros creadores.

El dinero público trata el insumo común como capacidad

El gobierno de Estados Unidos respalda el trabajo de datos de Biohub como infraestructura de IA además de filantropía. El respaldo público tiene sentido si investigadores más allá de una sola empresa pueden usar el material resultante, mientras los contribuyentes comerciales pueden construir distintos modelos y aplicaciones sobre él. Reuters describe los compromisos y su propósito de conjuntos de datos abiertos, pero no especifica qué derechos de acceso o gobernanza reciben el gobierno y las empresas.

Existe un precedente más acotado para reunir un insumo científico compartido. En 2020, la Oficina de Política Científica y Tecnológica de la Casa Blanca, Microsoft y el Allen Institute publicaron más de 24,000 artículos sobre coronavirus de forma gratuita para investigadores médicos y de modelos de lenguaje. Los artículos podían reunirse en un corpus legible por máquina. Las muestras biológicas y los resultados experimentales requieren decisiones adicionales sobre recolección, anotación y permisos; poner texto a disposición no resolvió esos problemas.

Otras organizaciones están abordando distintas partes del mismo problema de datos. Network Bio recaudó $50 millones para desarrollar un modelo fundacional usando conjuntos de datos de tejido y sangre de pacientes reunidos mediante acceso agrupado a biobancos. Google DeepMind lanzó AlphaGenome Atlas, un catálogo de un petabyte de efectos predichos para aproximadamente nueve mil millones de posibles cambios de una sola letra en el ADN. La ruta de Network Bio depende del acceso a muestras existentes; el atlas de Google proporciona predicciones a escala, no un conjunto compartido de verdad experimental. Ninguno establece que los conjuntos de datos propuestos por Biohub se convertirán en un estándar común.

“Abierto” deja sin escribir el contrato operativo

Biohub no era una institución de ciencia totalmente abierta que de pronto descubrió valor comercial. Sus términos de 2016 se reservaron el derecho de comercializar hallazgos de investigación. Los nuevos compromisos gubernamentales y de la industria amplían ese diseño híbrido en vez de revertir la intención filantrópica de Biohub. Meta también ha usado la apertura como una estrategia de distribución en IA: una adopción más amplia puede beneficiar a la organización que da forma a un ecosistema incluso cuando otros pueden usar lo que publica.

Los investigadores aún necesitan saber qué quiere decir Biohub con abierto. El permiso para leer un conjunto de datos no es necesariamente permiso para aportar muestras, entrenar un modelo comercial, inspeccionar los registros subyacentes o redistribuir una versión actualizada. Los datos compartidos tampoco tienen que eliminar la competencia a nivel de modelos: los modelos abiertos pueden complementar sistemas cerrados en vez de reemplazarlos. Los términos de Biohub siguen sin especificarse en los reportes citados, por lo que los investigadores aún no pueden saber dónde termina el acceso y comienza el control.

Biohub puede anunciar un conjunto de datos abierto antes de que esos términos estén resueltos. Un investigador no puede usarlo como una medida común hasta que la muestra tenga una etiqueta confiable, el resultado tenga un cuaderno de laboratorio y ambos tengan permiso para circular.