Desde que DeepMind AlphaFold de Google resolvió el problema del plegamiento de proteínas que databa de hace medio siglo en 2021, el papel de la IA en la ciencia se ha caracterizado típicamente en términos de encontrar avances importantes como estos: evidencia de que las máquinas pueden resolver problemas que los humanos no pueden resolver. Anthropic, sin embargo, está impulsando una idea diferente: los agentes de IA podrían tener más voz en el poco glamoroso trabajo entre descubrimientos.
En una entrevista exclusiva para anunciar la nueva asociación con el Instituto Allen y el Instituto Médico Howard Hughes, el jefe de ciencias biológicas de Anthropic, Jonah Cool, y Grace Huynh, directora ejecutiva de aplicaciones de IA en el Instituto Allen, dijeron que los laboratorios de investigación de élite están utilizando agentes de IA basados en Claude para resolver cuellos de botella de análisis, anotaciones y coordinación que pueden estirar los plazos de investigación durante años.
“Siglo XXI comprimido”
Cool, biólogo celular y genetista de formación, además de líder tecnológico, dijo a Fortune que se inspiró en el ensayo de 2024 del CEO de Anthropic, Dario Amodei, “Machines of Loving Grace”, que argumentaba que “la biología y la medicina habilitadas por la IA nos permitirán comprimir el progreso que los biólogos humanos podrían lograr durante los próximos 50 a 100 años en 5 a 10 años”.
Amodei describió la idea como un “siglo XXI exprimido” que podría hacer posible todo, desde la prevención casi universal de enfermedades infecciosas y reducciones significativas en la mortalidad por cáncer hasta tratamientos efectivos para trastornos genéticos, la enfermedad de Alzheimer y otras enfermedades crónicas. Amodei también sugirió que la IA podría permitir terapias altamente personalizadas, ampliar el control humano sobre la biología misma e incluso extender significativamente la esperanza de vida saludable.
Según Cool, esta visión está directamente relacionada con el uso de agentes de IA en la ciencia, no como herramientas que permiten avances, sino como sistemas que pueden hacerse cargo de las laboriosas tareas de análisis, coordinación y experimentación que ralentizan los descubrimientos en los laboratorios, permitiendo a los humanos realizar potencialmente esos nuevos e importantes descubrimientos.
“Lo que AlphaFold ha logrado es increíble”, dijo Cool, refiriéndose a la solución del sistema al problema de larga data del plegamiento de proteínas. “Pero aquí estamos hablando de algo diferente. Se trata de trabajar con equipos en el proceso científico e incorporar la IA en su trabajo diario”.
Huynh dijo que el avance hacia agentes de inteligencia artificial en el Instituto Allen, una organización de investigación de ciencias biológicas sin fines de lucro fundada en 2003 por el cofundador de Microsoft, Paul Allen, se basa en herramientas que muchos investigadores ya utilizan, particularmente el Código Claude de Anthropic, que se ha vuelto popular entre los biólogos computacionales. Además, dijo, el objetivo no es aplicar la IA en todas partes, sino centrarse en partes específicas del proceso de investigación (como tareas de análisis de datos que pueden llevar meses) donde los agentes pueden tener el mayor impacto práctico y acelerar significativamente el trabajo científico.
Ningún investigador puede ver todas las conexiones.
“Estamos empezando a llegar a un punto en el que la ‘gran ciencia’ se está convirtiendo en la norma”, afirmó. Hoy en día, los científicos están generando tantos datos (desde genómica unicelular y conjuntos de imágenes masivas hasta conectómica, el estudio de cómo están conectadas las neuronas en el cerebro y el sistema nervioso) que ya ningún investigador puede tenerlo todo en su cabeza o ver cada conexión.
Cool calificó al Instituto Allen y al Instituto Médico Howard Hughes como socios ideales precisamente porque ya desempeñan un papel en la configuración de la ciencia moderna. El Instituto Allen ha producido algunos de los conjuntos de datos biológicos más utilizados en el mundo, incluidos mapas detallados de cerebros de ratones que muestran dónde están activos los genes en tejidos reales, recursos que se han convertido en herramientas estándar para investigadores en campos más allá de la neurociencia. Más recientemente, estos mapas se han convertido a resolución unicelular, lo que ha aumentado considerablemente su valor científico, pero al mismo tiempo ha dificultado mucho su análisis.
Y en el Campus de Investigación Janelia del HHMI, los investigadores han desarrollado herramientas fundamentales como indicadores de calcio como GCaMP, que permiten a los científicos observar la activación neuronal en tiempo real, y avances en microscopía de súper resolución que han ayudado a superar las limitaciones físicas de las imágenes luminosas. Según Cool, el enfoque en herramientas y conjuntos de datos es exactamente lo que hace que estas instituciones sean un terreno fértil para los agentes de IA: acelerar el análisis, la anotación y la coordinación no solo ayuda a un laboratorio, sino que se extiende a toda la ciencia.
“La ciencia es una práctica divertida, pero muy repetitiva y, a menudo, muy tediosa”, explicó. “En ciencia, esto significa mucho trabajo involucrado en el análisis y transformación de conjuntos de datos”, dijo. “Creo que nos estamos moviendo hacia un mundo en el que todavía va a requerir mucho trabajo, pero… se llega a los siguientes pasos y experimentos mucho, mucho más rápido”.
Un futuro donde la IA puede ayudarte a formular hipótesis
Cool también describió un futuro en el que los agentes de IA no sólo analizarán los resultados, sino que ayudarán a los científicos a decidir qué hipótesis seguir, reduciendo cientos de posibles experimentos a los pocos que valga la pena realizar e incluso sugiriendo nuevos diseños de ADN basados en patrones que los humanos no pueden ver fácilmente por sí solos.
“Estamos avanzando hacia modelos que pueden ayudar a formular hipótesis” aprovechando el conocimiento que la gente ya tiene, afirmó. “Empezamos con ‘Ayúdame a priorizar mis hipótesis’, porque tengo una cantidad limitada de recursos y quiero hacer los 100 experimentos, pero solo tengo dinero para 10”.
