Nature publicó el martes dos artículos que describen asistentes de inteligencia artificial diseñados para ayudar a científicos a generar y, en al menos un caso, analizar hipótesis sobre reorientación de fármacos;
El martes se publicaron en Nature dos artículos que presentan sistemas de inteligencia artificial concebidos para asistir a investigadores en la generación y comprobación de hipótesis científicas, con foco en la reorientación de fármacos. Ambos trabajos muestran prototipos capaces de proponer ideas experimentales; uno de ellos también procesa y analiza datos procedentes de experimentos concretos, según los autores.
Un proyecto, bautizado Google Co — Scientist, se describe como un “scientist in the loop”: el sistema aporta propuestas y realiza pasos del flujo de trabajo, pero está pensado para que los investigadores guíen y supervisen continuamente sus decisiones. Los responsables subrayan que el diseño busca complementar el juicio humano, no sustituirlo. El segundo sistema fue desarrollado por FutureHouse, una organización sin fines de lucro, y fue entrenado para evaluar resultados biológicos procedentes de determinadas clases de experimentos. En las demostraciones publicadas, este asistente no solo sugiere hipótesis, sino que ejecuta análisis sobre datos experimentales señalados por los investigadores.
En las pruebas presentadas por ambos equipos se empleó exclusivamente información biológica y las hipótesis mostradas fueron, en su mayoría, directas y concretas — por ejemplo, planteamientos del tipo “este fármaco funcionará para tal objetivo”—. Google indica que su enfoque podría extenderse a otros dominios, como la física, aunque las evidencias publicadas se limitan a biología.
Ambos asistentes adoptan una arquitectura agentic: operan en segundo plano y pueden invocar herramientas externas para completar tareas específicas del flujo experimental. Ese enfoque es afín a desarrollos paralelos atribuidos a Microsoft; en contraste, OpenAI ha optado por afinar un gran modelo de lenguaje para aplicaciones biológicas sin emplear el mismo esquema agentic.
La relevancia práctica de estas herramientas radica en atenuar la sobrecarga de información y acelerar la generación y prueba de hipótesis en procesos costosos en tiempo, como la reorientación de medicamentos. En uno de los proyectos, la capacidad adicional de analizar datos experimentales podría acortar ciclos de validación iniciales cuando se aplican supervisión y criterios adecuados.
Sin embargo, las evidencias aportadas por los autores muestran limitaciones claras: las evaluaciones se ceñen a tipos concretos de datos biológicos y a hipótesis relativamente sencillas. Los equipos enfatizan que no pretenden reemplazar a los científicos ni al método científico; la utilidad real exige validación adicional y demostraciones en casos más complejos.
Fuentes
Respuestas (0)
Aún no hay respuestas en este tema.
