Desde que Google DeepMind’s AlphaFold resolvió el problema del plegamiento de proteínas en 2021, un desafío que llevaba medio siglo sin resolverse, el papel de la inteligencia artificial en la ciencia se ha caracterizado generalmente en términos de la búsqueda de avances similares: la prueba de que las máquinas pueden resolver problemas que los humanos no pueden. Sin embargo, Anthropic está promoviendo una idea diferente: que los agentes de IA podrían ser más importantes en el trabajo menos llamativo que se realiza entre los descubrimientos.
En entrevistas exclusivas anunciando nuevas colaboraciones con el Allen Institute y el Howard Hughes Medical Institute, Jonah Cool, jefe de asociaciones de ciencias de la vida de Anthropic, y Grace Huynh, directora ejecutiva de aplicaciones de IA en el Allen Institute, revelaron que los laboratorios científicos de élite están utilizando agentes de IA impulsados por Claude para abordar los cuellos de botella en el análisis, la anotación y la coordinación que pueden extender los plazos de investigación durante años.
Un ‘siglo XXI comprimido’
Cool, biólogo celular y genetista de formación, así como líder tecnológico, comentó a Fortune que se inspiró en un ensayo de 2024 del CEO de Anthropic, Dario Amodei, titulado “Machines of Loving Grace”, en el que argumentaba que “la biología y la medicina habilitadas por la IA nos permitirán comprimir el progreso que los biólogos humanos habrían logrado en los próximos 50 a 100 años en cinco a 10 años”.
Amodei describió esta idea como un “siglo XXI comprimido” que podría hacer posible todo, desde la prevención casi universal de enfermedades infecciosas y grandes reducciones en la mortalidad por cáncer hasta tratamientos eficaces para trastornos genéticos, el Alzheimer y otras enfermedades crónicas. Amodei también sugirió que la IA podría permitir terapias altamente personalizadas, expandir el control humano sobre la biología misma e incluso extender drásticamente la vida útil saludable.
Para Cool, esta visión se traduce directamente en el uso de agentes de IA en la ciencia, no como herramientas que ofrecen avances, sino como sistemas que pueden asumir tareas de análisis, coordinación y experimentación que consumen mucho tiempo y ralentizan el descubrimiento en los laboratorios, permitiendo a los humanos potencialmente realizar esos descubrimientos críticos.
“Lo que AlphaFold logró es increíble”, dijo Cool, refiriéndose a la solución del sistema al problema del plegamiento de proteínas. “Pero lo que estamos hablando aquí es diferente. Se trata de trabajar con equipos en todo el proceso científico e integrar la IA en su trabajo diario”.
Huynh explicó que el cambio hacia los agentes de IA en el Allen Institute, una organización de investigación de biosciencias sin fines de lucro fundada en 2003 por Microsoft cofundador Paul Allen, se basa en las herramientas que muchos investigadores ya están utilizando, en particular Claude Code de Anthropic, que se ha vuelto popular entre los biólogos computacionales. Además, el objetivo, dijo, no es aplicar la IA en todas partes, sino centrarse en partes específicas del proceso de investigación, como las 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 llegando a un punto en el que ‘la ciencia grande’ es la norma”, afirmó Huynh. Los científicos generan tantos datos hoy en día, desde la genómica de una sola célula y conjuntos de datos de imágenes masivos hasta la conectómica, el estudio de cómo se conectan las neuronas en el cerebro y el sistema nervioso, que ningún investigador puede mantenerlo todo en su cabeza o ver todas las conexiones.
Cool señaló que el Allen Institute y el Howard Hughes Medical Institute son socios ideales precisamente por el papel que ya desempeñan en la configuración de la ciencia moderna. El Allen Institute ha producido algunos de los conjuntos de datos biológicos más utilizados en el mundo, incluidos mapas detallados del cerebro del ratón que muestran dónde los genes están activos en el tejido real, recursos que se han convertido en herramientas estándar para los investigadores en diversos campos, no solo en la neurociencia. Más recientemente, esos mapas se han ampliado a una resolución de una sola célula, lo que aumenta drásticamente su valor científico al tiempo que los hace mucho más complejos de analizar.
En el Janelia Research Campus de HHMI, los investigadores han desarrollado herramientas fundamentales como los indicadores de calcio como GCaMP, que permiten a los científicos observar las neuronas disparándose en tiempo real, y avances en la microscopía de superresolución que ayudaron a superar los límites físicos de la imagen óptica. Cool dijo que el énfasis en las herramientas y los 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 allí no solo ayuda a un laboratorio, sino que repercute en toda la ciencia.
“La ciencia es una práctica fascinante pero muy repetitiva y, a menudo, muy tediosa”, explicó. “Cada vez más en la ciencia, eso significa mucho trabajo relacionado con el análisis y la transformación de conjuntos de datos”, dijo. “Creo que nos estamos acercando a un mundo donde eso seguirá requiriendo mucho trabajo, pero… se llega a los siguientes pasos y a los experimentos mucho, mucho más rápido”.
Un futuro en el que la IA puede ayudar a formular hipótesis
Cool también describió un futuro en el que los agentes de IA no solo analizan los resultados, sino que ayudan a los científicos a decidir qué hipótesis perseguir, reduciendo cientos de posibles experimentos a los pocos que vale la pena realizar e incluso proponiendo diseños de ADN novedosos basados en patrones que los humanos no pueden ver fácilmente.
“Nos estamos moviendo hacia modelos que pueden ayudar a formular hipótesis”, basándose en el conocimiento que ya tienen los humanos, dijo. “Estamos empezando con ‘Ayúdame a priorizar las hipótesis que tengo, porque tengo una cantidad limitada de recursos y quiero hacer los 100 experimentos, pero solo tengo dinero para 10’”.
