El próximo salto de la IA en ciencia vendrá de agentes razonadores, no de modelos hambrientos de datos como AlphaFold

Puntos clave

• AlphaFold de Google DeepMind ganó a Demis Hassabis y John Jumper el Premio Nobel de Química 2024 por predecir formas de proteínas.
• La base de datos de proteínas en la que se entrenó AlphaFold tardó 53 años y un estimado de 21 mil millones de dólares en trabajo experimental en ensamblarse.
• La mayoría de los campos científicos no pueden producir conjuntos de datos de esa calidad, haciendo que la IA al estilo de AlphaFold sea un modelo deficiente para la ciencia más amplia.
• Los agentes de IA, software que razona a través de problemas y utiliza múltiples herramientas en secuencia, ya están igualando hallazgos de investigación humana de una década en horas.
• Un beneficio adicional: los agentes registran automáticamente cada paso, lo que podría ayudar a resolver la crisis de reproducibilidad de larga data en la ciencia.

Hace dos años, la idea de que un programa de computadora pudiera resolver uno de los acertijos más difíciles de la biología parecía extraordinaria. Luego AlphaFold lo hizo.

El programa, construido por Google DeepMind, predice la forma tridimensional de una proteína, una molécula cuya forma determina lo que hace dentro del cuerpo, únicamente a partir de su secuencia genética. Los científicos persiguieron este problema durante cincuenta años. Demis Hassabis y John Jumper ganaron el Premio Nobel de Química 2024 por ello. Las startups inundaron la biología y química, recaudando miles de millones bajo la suposición de que la IA más datos ahora abriría descubrimiento tras descubrimiento.

Esa suposición, según un análisis reportado primero por MIT Technology Review, merece escrutinio.

¿Por qué no podemos simplemente repetir lo que hizo AlphaFold?

Los datos requeridos casi nunca existen. AlphaFold se entrenó en el Protein Data Bank, aproximadamente 170,000 formas de proteínas confirmadas experimentalmente construidas durante 53 años de cooperación internacional a un costo estimado de 21 mil millones de dólares. Ese tipo de conjunto de datos es extraordinariamente raro. Informamos en julio sobre el impulso de créditos de IA de 40 millones de dólares de Google en laboratorios científicos nacionales, donde un laboratorio redujo una tarea de 90 minutos a 13 minutos, precisamente porque datos útiles ya existían allí a gran escala.

La mayoría de la ciencia experimental es más desordenada. Los cultivos celulares cambian sutilmente con el tiempo. Los químicos llevan impurezas vestigiales. La humedad del laboratorio varía entre lecturas. Los datos limpios, estandarizados y a gran escala que una red neuronal moderna, el matcher de patrones estadísticos en el corazón de herramientas como AlphaFold, necesita para aprender simplemente no existen en la mayoría de los campos, y construirlo tomaría décadas.

Un puñado de áreas, predicción del clima y genómica entre ellas, sí tienen el tipo correcto de datos y pueden ver avances al estilo de AlphaFold pronto. Son la excepción, no la regla.

¿Entonces qué funciona?

Los agentes de IA muestran una promesa real, y funcionan de manera muy diferente. Un agente es software que razona a través de un problema de múltiples pasos llamando a diferentes herramientas, conservando lo que funciona y descartando lo que falla. Se comporta menos como una tabla de búsqueda y más como un científico cuidadoso.

El Co-Scientist de IA de Google, anunciado en mayo, es un ejemplo inicial temprano. Los investigadores le dieron un resumen de una página y un objetivo: averiguar cómo se propaga la resistencia a los antibióticos, la capacidad de las bacterias de sobrevivir a fármacos diseñados para matarlas, entre especies bacterianas. El sistema dividió la tarea entre varios subprogramas. Uno generó hipótesis de la literatura científica. Un segundo desafió cada hipótesis como lo haría un revisor de pares. Un tercero clasificó los sobrevivientes, y un cuarto refinó el ganador.

El agente concluyó que los genes de resistencia se estaban subiendo en virus bacterianos, tomando prestado cualquier virus que pudiera transportarlos a un nuevo hospedador. Investigadores del Imperial College London habían pasado una década llegando a la misma conclusión a través de tedioso trabajo de laboratorio. Su artículo aún estaba en revisión de pares cuando Co-Scientist produjo su respuesta.

¿Qué significa esto para los pacientes y el público?

Una ciencia más rápida y reproducible significa rutas más rápidas desde hallazgos de laboratorio a ensayos clínicos. También importa para la confianza. La crisis de reproducibilidad de la ciencia, donde los investigadores repetidamente descubren que no pueden replicar los resultados de los demás, ha socavado silenciosamente la confianza en la investigación médica durante años. Los agentes registran cada paso automáticamente, creando un registro exacto del método. Ese registro hace que la replicación sea sencilla de una manera que los cuadernos de laboratorio manuscritos, a menudo incompletos, rara vez lo son.

Los agentes no son perfectos. Aún ocasionalmente producen errores que suenan seguros, y su razonamiento no siempre es consistente. Esas son restricciones reales. Pero son problemas de ingeniería, no barreras fundamentales.

El cambio más grande es más silencioso que un Premio Nobel, y puede importar más. Mi lectura: el beneficio de reproducibilidad se minimiza en la mayoría de la cobertura. Una herramienta que acelera la ciencia y la hace auditable al mismo tiempo es más rara de lo que sugieren los titulares, y esa es la parte que vale la pena observar.

Preguntas frecuentes

¿Significa esto que la IA está a punto de reemplazar a los científicos?

No. Los agentes funcionan mejor como un asistente incansable que prueba ideas en secuencia y mantiene registros precisos. El juicio humano y la supervisión ética siguen siendo centrales para decidir qué preguntas vale la pena hacer.

¿Acelerará esto el descubrimiento de fármacos para los pacientes?

Potencialmente sí, aunque los plazos son difíciles de predecir. Si los agentes pueden comprimir la etapa de prueba de hipótesis de la investigación de años a semanas, los ensayos clínicos, los estudios de seguridad humana extensos requeridos antes de que cualquier fármaco llegue a los pacientes, comenzarían antes. Los ensayos mismos aún toman el mismo tiempo.