La inteligencia artificial lleva años transformando la investigación biológica, pero el ritmo de esa transformación se ha acelerado hasta un punto en el que incluso los científicos más cercanos a ella describen que les ha pillado por sorpresa. Nature Methods, una de las revistas líderes del sector, ha dedicado ahora un segundo número especial al tema, apenas dos años después del primero. Solo ese intervalo dice algo significativo: en la mayoría de las disciplinas científicas, dos años apenas son tiempo suficiente para replicar un solo estudio. En la biología impulsada por la IA, es tiempo suficiente para requerir una actualización exhaustiva.
La IA está reescribiendo las herramientas de investigación biológica
La amplitud de los campos que ahora toca la IA en la biología es llamativa. Los investigadores que trabajan en la proteómica basada en espectrometría de masas, el estudio de las proteínas a escala, están explorando cómo la IA puede contribuir al análisis de secuencias de proteínas, las interacciones proteicas, la proteómica espacial y los estudios de perturbación. Las ambiciones van aún más lejos: la integración multiómica y la construcción de células virtuales basadas en IA se consideran ahora direcciones de investigación serias, no futuros especulativos.
La microscopía es otra área que experimenta un cambio rápido. Las técnicas de IA extraídas de la visión por computador se aplican a la microscopía de superluminiscencia para mejorar las tareas de reconstrucción de imágenes, incluida la reducción de ruido, la mejora con poca luz, la eliminación de desenfoque y la mejora de la resolución. El objetivo es extraer información biológica significativa a escala nanométrica, una escala en la que los métodos de imagen tradicionales sufren dificultades. La investigación con células madre también se está transformando, con arquitecturas de IA que mejoran el análisis de imágenes, modelos generativos que permiten la ampliación de datos y canales automatizados que reducen la carga manual para los investigadores.
Quizás la aplicación más ambiciosa conceptualmente de las que se analizan en el número es la idea de los embriones virtuales: reconstrucciones totalmente digitales del proceso de embriogénesis, diseñadas para capturar la dinámica compleja y multiescala de cómo un organismo se desarrolla a partir de una sola célula. Esto no es una metáfora. Los investigadores trabajan para lograr sistemas computacionales que modelen la biología del desarrollo en toda su complejidad.
Herramientas prácticas, construidas por no ingenieros
Junto a estas ambiciones científicas a gran escala, el número destaca algo más práctico de inmediato: la IA empieza a cambiar quién puede construir software científico y con qué rapidez.
Una aportación de Nelson Medina y Joergen Kornfeld describe cómo se pueden usar los LLMs para generar herramientas de software personalizadas para aplicaciones científicas, sin necesidad de ingenieros de software dedicados. Su ejemplo es MOSS (Microscopy Oriented Segmentation with Supervision), una herramienta de segmentación construida por un solo investigador con experiencia limitada en desarrollo de software, completada en cuestión de semanas. Vale la pena detenerse en esto. Históricamente, el desarrollo de software científico ha sido un cuello de botella, ya que requería colaborar con ingenieros o años de programación autodidacta. La sugerencia aquí es que esta barrera se está reduciendo.
Una aportación independiente de Henry Pinkard y Nils Norlin plantea una oportunidad práctica diferente. Los instrumentos científicos generan habitualmente comandos, datos y metadatos que normalmente se desechan. Estos investigadores sostienen que este flujo de datos pasado por alto podría usarse para entrenar sistemas de IA para realizar experimentos de forma autónoma a un nivel alto. El problema, y es importante, es que hacer realidad este potencial requiere replantearse qué datos se almacenan y qué mecanismos de control de calidad y supervisión humana deben existir. Los datos existen. La infraestructura para usarlos de manera responsable aún no.
Lo que esto significa más allá del laboratorio
Esto es lo que la mayor parte de la cobertura sobre la IA en la biología pasa por alto: la comunidad científica no se limita a adoptar una nueva herramienta. Está lidiando con un cambio en la forma en que se practica, valida y comunica la ciencia misma.
Nature Methods es explícita al respecto. A medida que los modelos de IA proliferan en los campos biológicos, la ausencia de estándares comunitarios sólidos para evaluar su rendimiento, reproducibilidad y sostenibilidad se está convirtiendo en un problema real. Los modelos fundacionales, sistemas de aprendizaje automático a gran escala entrenados con conjuntos de datos amplios y heterogéneos que abarcan múltiples dominios, están ganando terreno en la biología. Pero aún faltan métodos rigurosos para evaluar sus capacidades reales. Los investigadores Julio Saez-Rodriguez, Gustavo Stolovitzky y sus colegas han examinado estas brechas y han propuesto directrices para evaluaciones más significativas. Otra aportación diferente aborda la importancia de una IA abierta y sostenible en la investigación de las ciencias de la vida.
La postura editorial de la revista es clara: la transparencia no es opcional. Los métodos nuevos de IA solo son tan útiles como confiables sean. Se necesitan puntos de referencia comunitarios para evaluar si las nuevas herramientas representan avances genuinos o simplemente resultados que suenan impresionantes.
También hay un punto fundamental que merece énfasis. Los sistemas de IA en biología dependen por completo de datos experimentales de alta calidad para su entrenamiento. Ninguna cantidad de sofisticación algorítmica compensa unos datos deficientes o insuficientes. Los investigadores, repositorios e infraestructuras que generan y alojan datos biológicos no son secundarios en la historia de la IA. Son su requisito previo. Garantizar que estos recursos sigan recibiendo apoyo no es una cuestión burocrática. Es una cuestión científica.
En resumen
La IA ha pasado de ser una adición prometedora a la investigación biológica a algo más cercano a una característica estructural de esta. Células virtuales, herramientas de microscopía construidas con IA, software generado sin ingenieros e instrumentos que algún día podrían ejecutar sus propios experimentos: estas no son posibilidades lejanas. Son direcciones de investigación activas documentadas en una revista líder revisada por pares. El reto actual no es la adopción. Es la gobernanza: construir los estándares, los puntos de referencia y los mecanismos de supervisión que permitan confiar en estas herramientas, reproducirlas y evaluarlas de manera justa.
Basado en información de Nature: Machine Learning.