Una inteligencia artificial especializada en investigación biológica logró analizar en 32 minutos un conjunto de datos sobre millones de células cerebrales de ratón, una tarea que podría tomar meses o hasta un año si se realiza mediante un proceso de análisis individual, según la estimación de los investigadores. El experimento fue realizado por OpenAI, la empresa biotecnológica PerturbAI y científicos de Scripps Research.
El sistema utilizado fue GPT-Rosalind, un modelo de inteligencia artificial diseñado para apoyar la investigación en biología, genómica y descubrimiento de medicamentos. Para el análisis, el equipo desplegó 1,946 agentes de IA que trabajaron en paralelo sobre un atlas cerebral elaborado mediante experimentos genéticos.
El objetivo no era diagnosticar enfermedades ni encontrar una cura de manera automática, sino identificar patrones biológicos, relacionarlos con estudios científicos previos y proponer hipótesis que puedan orientar nuevos experimentos.
¿Cómo logró GPT-Rosalind analizar los datos en 32 minutos?
El equipo utilizó un atlas cerebral basado en experimentos CRISPR, una tecnología que permite modificar genes para estudiar sus funciones. Los datos muestran cómo las alteraciones genéticas afectan a diferentes tipos de células en el cerebro de ratones.
En lugar de pedirle a un solo sistema que revisara toda la información, los investigadores distribuyeron el trabajo entre 1,946 agentes de inteligencia artificial. Cada uno recibió una alteración genética para analizar, examinó las respuestas celulares, consultó literatura científica y propuso posibles explicaciones para los resultados.
Posteriormente, los informes se combinaron para construir una representación de las relaciones entre genes, cambios celulares, publicaciones científicas y mecanismos biológicos potenciales.
Esta estrategia, descrita por el equipo como razonamiento biológico distribuido, permite abordar numerosas preguntas de investigación de manera simultánea. Sin embargo, los 32 minutos corresponden al análisis computacional de datos experimentales que ya existían, no al tiempo necesario para realizar los experimentos biológicos desde cero.
¿Qué descubrió la inteligencia artificial sobre las células cerebrales?
Uno de los resultados que llamó la atención de los investigadores estuvo relacionado con el gen DCTN1, cuyas mutaciones se asocian con el síndrome de Perry, una enfermedad neurodegenerativa poco frecuente.
Al analizar los datos de ratones en los que se alteró el gen correspondiente, el sistema identificó un aumento en la actividad de genes relacionados con la producción de colesterol.
A partir de esa observación y de investigaciones científicas previas, los agentes propusieron una posible explicación: los problemas en el transporte del colesterol dentro de las neuronas podrían estar relacionados con cambios en su producción.
La hipótesis abre nuevas preguntas para los científicos. Entre ellas, si la alteración de DCTN1 modifica la distribución del colesterol en las neuronas y si esos cambios contribuyen a procesos relacionados con la neurodegeneración.
Por ahora, se trata de una línea de investigación que necesita experimentos adicionales. El análisis no demuestra que el colesterol sea la causa de la enfermedad ni que modificar sus niveles permita tratarla.
La IA también encontró diferencias relacionadas con genes vinculados al crecimiento celular
Otro grupo de resultados se relacionó con TSC1 y TSC2, dos genes que participan en la regulación de la vía mTOR, involucrada en procesos como el crecimiento y el metabolismo celular.
Los agentes observaron que alterar estos genes producía respuestas similares en algunos grupos de neuronas, pero también encontraron diferencias en determinadas células del cerebelo.
En los datos analizados, la alteración de TSC2 modificó la actividad de numerosos genes relacionados con la comunicación neuronal, mientras que la intervención sobre TSC1 generó una respuesta mucho menor en ese contexto.
Los investigadores consideran que estas diferencias pueden ayudar a formular preguntas más específicas sobre las alteraciones cerebrales relacionadas con la esclerosis tuberosa, una enfermedad genética asociada con cambios en TSC1 o TSC2.
El resultado no significa que la inteligencia artificial haya identificado un tratamiento para esta enfermedad. Su aportación consiste en señalar patrones que los especialistas pueden estudiar con mayor profundidad.
¿Los resultados de GPT-Rosalind fueron revisados por científicos?
El equipo comparó los informes generados por los agentes distribuidos con los resultados de un solo agente que recibió acceso al mismo modelo, los mismos datos y herramientas equivalentes.
Según los resultados publicados por OpenAI, en la prueba con la mayor carga de trabajo los agentes distribuidos conservaron 7,586 referencias científicas, frente a unas 11 referencias en el análisis de un solo agente.
Además, 30 especialistas con formación doctoral en biología participaron en una evaluación ciega de los informes. OpenAI indicó que los expertos prefirieron los resultados de los agentes distribuidos en el 75% de las comparaciones frente a los informes del agente individual.
Estas evaluaciones ofrecen una primera medida de la utilidad del enfoque, pero no garantizan que todas las hipótesis propuestas sean correctas. Los resultados deben interpretarse dentro de los límites del conjunto de datos y verificarse mediante experimentos independientes.
El trabajo se presentó como una investigación preliminar, por lo que sus conclusiones todavía requieren evaluación y validación científica adicional.
¿Qué es GPT-Rosalind y para qué sirve?
GPT-Rosalind es una familia de modelos de inteligencia artificial desarrollada por OpenAI para apoyar tareas especializadas en ciencias de la vida. Su diseño busca mejorar el razonamiento científico en áreas como biología, química, genómica, ingeniería de proteínas y descubrimiento de fármacos.
Entre sus posibles aplicaciones están la revisión de publicaciones científicas, el análisis de resultados experimentales, la formulación de hipótesis y la planificación de nuevas investigaciones.
La herramienta no sustituye el trabajo de los especialistas ni elimina la necesidad de realizar pruebas en laboratorio. Su función es ayudar a explorar grandes cantidades de información y organizar posibles explicaciones para que los científicos puedan decidir qué investigar.
¿Este avance permitirá descubrir medicamentos más rápido?
El análisis muestra cómo los agentes de inteligencia artificial podrían reducir el tiempo necesario para interpretar grandes conjuntos de datos y detectar relaciones que merecen atención científica.
En el desarrollo de medicamentos, identificar un posible objetivo terapéutico es solo una de las primeras etapas. Después es necesario comprobar su función, desarrollar candidatos, evaluar su seguridad y eficacia y, cuando corresponde, realizar ensayos clínicos antes de solicitar una aprobación regulatoria.
Por ello, el experimento no significa que se haya descubierto un nuevo medicamento ni que exista una cura para enfermedades neurodegenerativas. Su importancia radica en ofrecer una forma de explorar datos biológicos a gran escala y generar preguntas que puedan convertirse en nuevas investigaciones.
Si este enfoque demuestra su utilidad en otros conjuntos de datos y laboratorios, podría convertirse en una herramienta complementaria para acelerar algunas etapas de la investigación biomédica.
