Presentación
VolverEl auge de los modelos fundacionales biomédicos: 220 modelos revisados
Una revisión de 220 modelos biomédicos halla que el 53.6% combina dos o más modalidades de datos; el lenguaje natural emerge como la interfaz que las conecta. El obstáculo no son las ideas, sino la escasez de datos pareados y la falta de un banco de pruebas multimodal estándar.
Informe de investigación · Nature Biotechnology · abril de 2026
Los modelos fundacionales biomédicos pasan de una modalidad a muchas
Una revisión de 220 modelos fundacionales biomédicos
Modelos fundacionales biomédicos1 / 17
Qué pasó
Qué cuenta como modelo fundacional biomédico
- Modelos de aprendizaje automático a gran escala entrenados con datos biomédicos y clínicos variados.
- Esos datos abarcan secuencias genéticas, perfilado molecular, imagen biomédica e historias clínicas electrónicas.
- Aprenden representaciones generalizables que sirven de apoyo al descubrimiento y al trabajo clínico posteriores.
- La revisión cubre cuatro ámbitos: lenguaje natural, imagen y señales, ómicas y secuencias moleculares.
- Se excluyen los LLM de propósito general; el foco son 220 modelos específicos de la biomedicina.
Modelos fundacionales biomédicos2 / 17
Qué pasó
220 modelos, cuatro campos, más de la mitad multimodales
- 220modelos recopilados, a lo largo de cuatro años
- 53.6%son multimodales — 118 combinan dos o más modalidades
- 17modalidades de datos distintas en total
- 4ámbitos: lenguaje, imagen, ómicas, secuencias
La observación clave
El lenguaje natural es la modalidad que más a menudo se empareja con otras, y se está convirtiendo en la interfaz de conexión entre tipos de datos. Esto recorre todo el artículo: tanto los líderes emergentes en citas como las direcciones poco desarrolladas remiten a la misma estructura.
Modelos fundacionales biomédicos3 / 17
Qué pasó
Confirmado
Grado de certeza Qué pasó Detalle Confirmado Se publica la revisión Chang, Cheng, Modi, Wang, Xu y Ma, en Nature Biotechnology: en línea el 30 de abril de 2026 e impreso ese agosto en 44(8):1263–1266. DOI 10.1038/s41587-026-03135-y.Confirmado 220 modelos, cuatro campos, más de la mitad multimodales Cada recuento y cada porcentaje de esta página — los 220, los 118 (53.6%), el reparto de arquitecturas y el de evaluación — consta en el texto corrido del propio artículo y de ahí se leyó. Modelos fundacionales biomédicos4 / 17
Qué pasó
Confirmado, no verificable aquí
Grado de certeza Qué pasó Detalle Confirmado, no verificable aquí Cuáles son esos 220 modelos La lista es la tabla suplementaria 1. El repositorio sirve ese archivo tras una verificación que este proyecto no pudo superar, así que nunca se leyó modelo por modelo: el recuento es del artículo, no un recuento propio. Confirmado, no verificable aquí Los recuentos de citas Proceden de Semantic Scholar y solo aparecen impresos dentro de la figura del artículo, que no dice cuándo se tomó la instantánea. Se leyeron de ahí. Las citas cambian, así que conviene tomarlos como un momento sin fecha y no como una clasificación actual. Modelos fundacionales biomédicos5 / 17
Cronología
De BioBERT a Evo 2
Cada modelo que cita la revisión, fechado en su propia primera publicación
- 15 feb 2020Se publica BioBERT, BERT reentrenado con resúmenes de PubMed y texto completo de PMC; se convertirá en el modelo de lenguaje natural más citado de la revisión.
- 13 abr 2021ESM-1b demuestra que un modelo de lenguaje entrenado con 250 millones de secuencias proteicas, sin ninguna etiqueta, aprende información estructural real; es el antecesor del modelo líder en secuencias moleculares de la revisión.
- 26 feb 2024Se publica scGPT, preentrenado con más de 33 millones de células individuales; se convierte en el líder en ómicas de la revisión.
- 19 mar 2024Se publica UNI, preentrenado con imágenes de tejido procedentes de más de 100,000 exploraciones patológicas de portaobjetos completos; se convierte en el líder en imagen y señales de la revisión.
Modelos fundacionales biomédicos6 / 17
Cronología
De BioBERT a Evo 2
- 16 ene 2025Se publica ESM3, un modelo generativo que razona conjuntamente sobre la secuencia, la estructura y la función de las proteínas; la revisión lo nombrará más tarde como uno de los modelos en ascenso posteriores a 2025.
- 4 mar 2026Se publica Evo 2, entrenado con 9 billones de pares de bases de ADN que abarcan todos los dominios de la vida; la revisión lo nombra como un segundo modelo en ascenso posterior a 2025.
- 30 abr 2026Chang, Cheng, Modi, Wang, Xu y Ma publican la propia revisión, en línea, en Nature Biotechnology.
- ago 2026La revisión aparece en el número impreso de Nature Biotechnology, volumen 44, número 8, páginas 1263–1266.
Modelos fundacionales biomédicos7 / 17
El argumento
Dominan los codificadores
Arquitectura Número Proporción Basados en codificador 114 51.8% Mixtos 67 30.5% Basados en decodificador 31 14.1% No Transformer (p. ej. Mamba) — 3.6% Los decodificadores escasean no por preferencia arquitectónica, sino por los datos: las tareas de generación de texto necesitan anotación pareada imagen–texto de alta calidad, y eso es difícil de conseguir en biomedicina.
Modelos fundacionales biomédicos8 / 17
El argumento
La evaluación sigue siendo estrecha
Tarea Proporción Clasificación 50.9% Generación de informes 10.9% Respuesta a preguntas 8.6% Segmentación 7.3% La brecha de evaluación
No hay bancos de pruebas multitarea, hay poca evaluación con intervención humana y ningún tratamiento conjunto de la calidad de los datos, la interpretabilidad y la relevancia traslacional.
Modelos fundacionales biomédicos9 / 17
El argumento
Líderes en citas por ámbito
* indica un modelo multimodal · los recuentos son una instantánea de Semantic Scholar que el artículo no fecha
Ámbito Modelos destacados y citas Lenguaje natural BioBERT 6,925 · MultiMedQA 3,707 · PubMedBERT 2,278 Imagen y señales UNI 1,141 · ConVIRT* 1,003 · MedCLIP* 794 Ómicas scGPT 846 · Geneformer 836 · scBERT 509 Secuencias moleculares ESM-1b 2,807 · ProtTrans 1,207 · DNABERT 1,051 Modelos fundacionales biomédicos10 / 17
El argumento
Los que suben desde 2025
Ámbito Los que suben desde 2025, y sus citas Lenguaje natural MedGemma-27B 165 · MediPhi-Instruct 13 Imagen y señales BiomedCLIP* 498 · Quilt-1M* 216 · MedGemma* 165 Ómicas Nicheformer* 81 · OmiCLIP* 58 · scGPT-spatial 34 Secuencias moleculares ESM3 201 · Evo 2 197 · Borzoi 190 El crecimiento de las citas lo impulsan modelos que integran modalidades heterogéneas, y no especialistas en un solo tipo de dato. Cinco de los once que suben son multimodales, y el lenguaje natural es el único ámbito con menos de tres.
Modelos fundacionales biomédicos11 / 17
Lo que añaden otros
Qué hacen realmente los modelos líderes
Los artículos independientes detrás de los líderes de cada ámbito
- 250MSecuencias proteicas de las que aprendió ESM-1b, sin ninguna etiqueta (Rives et al., 2021).
- 100k+Exploraciones patológicas de portaobjetos completos tras el preentrenamiento de UNI, en 20 tipos de tejido (Chen et al., 2024).
- 33MCélulas individuales tras el preentrenamiento de scGPT (Cui et al., 2024).
- 9TPares de bases de ADN tras Evo 2, que abarcan todos los dominios de la vida (Brixi et al., 2026).
Modelos fundacionales biomédicos12 / 17
Lo que añaden otros
Integraciones aún por construir
Interpretabilidad mecanicista
Lenguaje ↔ secuencia y ómicas
- Una interfaz de lenguaje podría ayudar en la anotación de scRNA-seq, el enriquecimiento de rutas y la transcriptómica espacial.
Dianas terapéuticas
Imagen ↔ ómicas
- La integración de la anatomía patológica con H&E y las ómicas sigue siendo débil.
- El potencial de vincular la morfología tisular con el mecanismo molecular es considerable.
Capas de regulación
ADN, ARN, proteína, epigenoma
- Las capas solo están conectadas de forma laxa, y la proteína con las demás más que ninguna.
Modelos fundacionales biomédicos13 / 17
Lo que añaden otros
El cuello de botella no son las ideas
El cuello de botella no son las ideas
Lo que lo frena no es la falta de conceptos, sino el estado de los datos: los conjuntos de datos pareados escasean, el preprocesado y la anotación no están normalizados y no existe un banco de pruebas multimodal estándar. Es la misma causa que explica la escasez de decodificadores señalada antes.
Modelos fundacionales biomédicos14 / 17
Conclusión
Qué hace que un modelo se adopte
- Aborda una aplicación de alto impacto: procesamiento del lenguaje clínico, modelado de proteínas, anatomía patológica digital.
- Está evaluado con rigor: probarlo en tareas posteriores variadas genera confianza y reutilización.
- Es accesible: pesos preentrenados abiertos, código abierto, una interfaz utilizable.
- Y algo nuevo y decisivo: encaja en flujos de trabajo de IA basados en agentes.
Modelos fundacionales biomédicos15 / 17
Conclusión
Todavía sin resolver
Todavía sin resolver
La calidad de los datos, la diversidad de las cohortes, los efectos de lote, la privacidad, las alucinaciones y la robustez frente a ataques siguen limitando el despliegue en el mundo real. Los autores recomiendan la colaboración interdisciplinar —biólogos, clínicos y desarrolladores de modelos juntos— y la adaptación eficiente de buenas redes preentrenadas en lugar del entrenamiento desde cero.
Modelos fundacionales biomédicos16 / 17
Conclusión
Qué recordar
Una revisión de 220 modelos biomédicos halla que el 53.6% combina dos o más modalidades de datos; el lenguaje natural emerge como la interfaz que las conecta. El obstáculo no son las ideas, sino la escasez de datos pareados y la falta de un banco de pruebas multimodal estándar.
Modelos fundacionales biomédicos17 / 17