Dos nuevos sistemas de inteligencia artificial (IA) descritos en un artículo de la revista Nature podrían usarse para automatizar una gran parte del ciclo de investigación científica mediante agentes de IA coordinados entre sí.
Ambas herramientas emplean un conjunto de elementos especializados capaces de asumir tareas concretas del proceso científico, entre las cuales figuran la búsqueda bibliográfica, la formulación de hipótesis, la propuesta de experimentos, el análisis de datos y su reformulación a partir de los resultados obtenidos.
Co-Scientist, IA de uso científico general
El primero de estos sistemas, denominado Co-Scientist, fue desarrollado por Google DeepMind a partir de Gemini 2.0. Sus autores lo describen como un “motor de pensamiento científico estructurado” pensado para colaborar con investigadores en distintas disciplinas.
En las pruebas realizadas, Co-Scientist generó hipótesis para reutilizar medicamentos ya aprobados contra la leucemia mieloide aguda, un cáncer agresivo de la sangre. El sistema también propuso posibles combinaciones terapéuticas e identificó nuevas dianas epigenéticas para fibrosis hepática, además de reproducir de forma independiente una hipótesis aún no publicada sobre mecanismos de resistencia antimicrobiana.
Robin, asistente para biología experimental
El segundo sistema, Robin, fue desarrollado por la organización sin ánimo de lucro FutureHouse, y se basa en los modelos OpenAI o4-mini y Claude 3.7. Está orientado específicamente a la biología experimental y combina agentes dedicados a revisar literatura científica con otros centrados en el análisis automatizado de datos biológicos.
Como demostración, Robin se aplicó a la búsqueda de tratamientos para la degeneración macular seca asociada a la edad, una de las principales causas de ceguera en países desarrollados. El sistema sugirió varios candidatos terapéuticos para poner a prueba en el laboratorio.
Por ejemplo, el programa recomendó el uso de ripasudil, un medicamento aprobado en Japón para glaucoma que nunca se había propuesto para esta enfermedad ocular. Robin también sugirió análisis posteriores que permitieron identificar posibles mecanismos moleculares implicados en la enfermedad, así como nuevas dianas terapéuticas.
Las IAs requieren validación humana
Los autores reseñan que todos los pasos del proceso científico fueron producidos por el sistema de IA, dentro de un esquema en el que los científicos supervisan y validan experimentalmente los resultados. Ambos trabajos insisten en que estas herramientas no eliminan la necesidad de validación experimental ni sustituyen el juicio humano. Las propuestas terapéuticas descritas requieren todavía estudios preclínicos y ensayos clínicos antes de poder considerarse tratamientos viables.
Pese a esas limitaciones, los estudios muestran cómo los sistemas multiagente podrían acelerar tareas especialmente costosas en tiempo y síntesis bibliográfica. En el caso de Robin, los autores estiman que el sistema revisó más de 800 artículos en unos 30 minutos y redujo de forma drástica el tiempo humano necesario para completar un ciclo completo de investigación.
Con información de VTV
