Damon Runyon se encuentra brindando apoyo a jóvenes científicos que impulsan la innovación en la investigación contra el cáncer, según reporta News-Medical.
TOKIO — Japón apoyará la distribución internacional del manga fomentando el desarrollo de profesionales capaces de traducir rápidamente este formato utilizando inteligencia artificial. Esta iniciativa forma parte de un esfuerzo más amplio para evitar que los lectores recurran a sitios de piratería, los cuales causan pérdidas multimillonarias a las editoriales.
Según fuentes oficiales, el gobierno japonés busca impulsar la industria del manga a nivel global, facilitando el acceso a traducciones de alta calidad y en tiempo récord. La adopción de la inteligencia artificial en el proceso de traducción se considera clave para satisfacer la creciente demanda internacional y combatir la piratería, que representa una seria amenaza para la sostenibilidad económica del sector.
Para asegurar que la producción de proteínas en nuestras células se desarrolle sin problemas, el complejo proteico NAC ralentiza la velocidad de la síntesis de proteínas desde el inicio. Un equipo de investigación internacional, con una importante participación de biólogos de Konstanz, ha descubierto ahora los mecanismos subyacentes a esta función previamente desconocida de NAC.
Las proteínas son uno de los componentes moleculares más importantes de la vida. Son cadenas de aminoácidos ensambladas en nuestras células por los ribosomas, las «fábricas de proteínas» moleculares de nuestro organismo. El código genético de nuestro genoma sirve como plano, guiando la traducción paso a paso en una secuencia específica de aminoácidos que define cada proteína. Pero esto no es todo: para realizar sus funciones vitales en la célula, las proteínas deben ser modificadas – en algunos casos, incluso durante su síntesis – luego plegarse en su estructura tridimensional funcional y, finalmente, llegar a su ubicación designada en la célula. Al igual que una fábrica real, la producción de proteínas requiere ajustes específicos y una logística compleja, además del ensamblaje básico.
El complejo proteico NAC (complejo asociado a polipéptidos nacientes) juega un papel clave en el control y la regulación de los procesos dentro de nuestras células. En trabajos anteriores, investigadores de Konstanz, liderados por Elke Deuerling y Martin Gamerdinger, junto con colegas internacionales, pudieron revelar algunos de los mecanismos moleculares subyacentes a la complejidad funcional de NAC. En su estudio actual, publicado recientemente en la revista científica Nature, profundizan en los secretos de este versátil actor molecular, descubriendo un modo de interacción previamente desconocido del complejo proteico. Demuestran que NAC ralentiza las etapas iniciales de la formación de proteínas para garantizar un proceso de producción fluido y ordenado.
Interacción temprana
Para comprender mejor los hallazgos del estudio, vale la pena examinar los detalles moleculares. «Ya sabíamos dónde se une NAC a las ‘fábricas de proteínas’, es decir, cerca del túnel ribosomal. Este es el punto donde las proteínas recién sintetizadas emergen del ribosoma», explica Deuerling. «Allí, NAC pone en contacto las cadenas de aminoácidos en crecimiento, según sea necesario, con varios componentes de la caja de herramientas bioquímica de la célula, que luego llevan a cabo, por ejemplo, modificaciones específicas de las proteínas o dirigen su transporte a destinos particulares».
En su último estudio, los investigadores querían obtener una imagen lo más completa posible de las funciones del complejo proteico NAC. Primero, investigaron con qué proteínas interactúa el complejo durante su formación y en qué momento. Descubrieron que NAC interactúa con un espectro muy amplio de proteínas – miles, de hecho – cada una destinada a diversas ubicaciones celulares y desempeñando una amplia gama de funciones. Además, identificaron tres fases diferentes de interacción: una fase muy temprana, en la que la proteína naciente tiene menos de 30 aminoácidos, una fase intermedia con una longitud de cadena de alrededor de 50-60 aminoácidos y una fase comparativamente tardía, en la que la cadena de aminoácidos en crecimiento ya tiene más de 80 aminoácidos.
«La interacción temprana entre NAC y la proteína naciente fue una sorpresa particular para nosotros. Una vez que la cadena alcanza los 50 aminoácidos o más, la proteína en crecimiento comienza a extenderse más allá del túnel, lo que permite a NAC interactuar desde el exterior. Sin embargo, para hacerlo con cadenas de aminoácidos significativamente más cortas, NAC tiene que alcanzar el túnel ribosomal con uno de sus «brazos». Realmente no sabíamos que esta opción de interacción existía», dice Deuerling.
«Dónde» determina «cuándo»
Los investigadores también encontraron que existe una correlación entre el destino de las proteínas emergentes y el momento de la interacción con NAC. Por ejemplo, las proteínas destinadas a la red de membranas de la célula – el retículo endoplásmico – interactúan con NAC especialmente en las fases temprana e intermedia. En la fase intermedia, el complejo proteico promueve el transporte dirigido de proteínas que llevan la secuencia de señal correspondiente al retículo endoplásmico.
Pero, ¿qué ocurre durante la interacción temprana, previamente desconocida? Los resultados del estudio muestran que la interacción con NAC dentro del túnel ribosomal conduce a una ralentización del crecimiento de las proteínas nacientes. «Al regular la velocidad de crecimiento, NAC asegura que la síntesis de proteínas se desarrolle sin problemas. Optimiza el movimiento de los ribosomas a lo largo de los planos genéticos, reduce el riesgo de colisión y coordina los procesos posteriores de plegamiento y logística», resume Gamerdinger.
Con el descubrimiento de esta función adicional de NAC, la imagen del complejo proteico como un centro de control y regulación multifuncional durante la síntesis de proteínas se vuelve aún más clara, reafirmando su papel fundamental en el mantenimiento del funcionamiento adecuado de nuestras células.
Fuente: Journal reference: DOI: 10.1038/s41586-025-10058-2
A pesar de los rápidos avances en los modelos de lenguaje de gran tamaño, este estudio demuestra que la experiencia humana sigue siendo fundamental para la elaboración de revisiones sistemáticas rigurosas, siendo la IA más adecuada como herramienta de apoyo supervisada que como autora independiente.
Estudio: Human researchers are superior to large language models in writing a medical systematic review in a comparative multitask assessment. Image Credit: Summit Art Creations / Shutterstock.com
Una reciente investigación publicada en la revista Scientific Reports revela que los investigadores humanos obtienen mejores resultados que los modelos de lenguaje de gran tamaño (LLM) en la preparación de revisiones sistemáticas de la literatura.
¿Qué son los LLM?
Los LLM son sistemas avanzados de inteligencia artificial (IA) que utilizan métodos de aprendizaje profundo para analizar una gran cantidad de datos de entrada y generar lenguaje similar al humano. Desde la introducción de ChatGPT de OpenAI en 2022, los LLM han ganado una atención significativa del público por su capacidad para realizar una amplia gama de tareas cotidianas, incluyendo la generación de texto, la traducción de idiomas, la redacción de correos electrónicos y mucho más.
Los LLM se han convertido en una parte integral de los sectores de la salud, la educación y la investigación debido a su capacidad para interpretar y generar texto. De hecho, varios estudios han demostrado que los LLM como GPT-4 y BERT pueden realizar una amplia gama de tareas médicas, incluyendo la anotación de datos de secuenciación de ácido ribonucleico (ARN), la síntesis de contenido y la redacción de informes médicos.
En la investigación científica, los LLM se han utilizado para la selección y síntesis de literatura, el análisis de datos y la generación de informes. A pesar de su inmenso potencial para acelerar los procesos científicos, la integración responsable de los LLM en los ámbitos de la salud, la educación y la investigación requiere un análisis exhaustivo de los posibles desafíos, incluyendo la garantía de la coherencia de los datos, la mitigación de los sesgos y el mantenimiento de la transparencia en sus aplicaciones.
Diseño del estudio
Para dilucidar los riesgos y beneficios de la integración de los LLM en áreas científicas clave, el estudio actual investigó si los LLM superan a los investigadores humanos en la realización de revisiones sistemáticas de la literatura. Con este fin, se utilizaron seis LLM diferentes para realizar búsquedas bibliográficas, selección y cribado de artículos, extracción y análisis de datos, y la redacción final de la revisión sistemática.
Todos los resultados se compararon con la revisión sistemática original escrita por investigadores humanos sobre el mismo tema. Este proceso se repitió dos veces para evaluar los cambios entre versiones y las mejoras de los LLM a lo largo del tiempo.
Hallazgos clave y significado
En la primera tarea, que incluía la búsqueda y selección de literatura, el LLM Gemini tuvo el mejor desempeño al seleccionar 13 de los 18 artículos científicos que se incluyeron en la revisión sistemática original producida por los investigadores humanos. No obstante, se observaron limitaciones significativas en la capacidad de los LLM para realizar tareas clave, incluyendo la búsqueda bibliográfica, la síntesis de datos y la redacción final del manuscrito.
Estas limitaciones probablemente reflejen la falta de acceso que tienen muchos LLM a bases de datos electrónicas de artículos científicos. Además, los conjuntos de datos de entrenamiento utilizados para estos modelos pueden contener relativamente pocos artículos de investigación originales, lo que reduce aún más su precisión.
A pesar del rendimiento insatisfactorio en la primera tarea, los LLM extrajeron varios artículos apropiados más rápidamente que los investigadores humanos. Por lo tanto, la eficiencia temporal de los LLM puede utilizarse para el cribado inicial de la literatura, junto con la búsqueda cruzada estándar de bases de datos y referencias por parte de los investigadores humanos.
En la segunda tarea, de extracción y análisis de datos, el LLM DeepSeek tuvo el mejor desempeño, con un 93% de entradas correctas y entradas completamente correctas en siete de los 18 artículos originales. Tres LLM tuvieron un desempeño satisfactorio en esta tarea, ya que requirieron indicaciones lentas y complejas y múltiples cargas para obtener resultados, lo que sugiere una baja eficiencia temporal en relación con el trabajo humano.
En la tercera tarea, que involucró la redacción final del manuscrito, ninguno de los LLM probados logró un desempeño satisfactorio. Específicamente, los LLM generaron artículos completos cortos y poco inspiradores que no se ajustaban completamente a la plantilla estándar para una revisión sistemática.
Los LLM probados generaron artículos en un formato bien estructurado y con un lenguaje científico correcto, lo que podría ser engañoso para los lectores no expertos. Dado que las revisiones sistemáticas y los metaanálisis se consideran el estándar de oro en la medicina basada en la evidencia, es esencial una evaluación crítica de la literatura publicada por expertos humanos para guiar eficazmente la práctica clínica.
Conclusiones
Los LLM modernos no pueden producir una revisión sistemática en el ámbito médico sin estrategias de ingeniería de indicaciones. No obstante, las mejoras observadas en los LLM entre dos rondas de evaluación indican que, con una supervisión adecuada, los LLM pueden proporcionar un valioso apoyo a los investigadores en ciertos aspectos del proceso de revisión. En este contexto, la evidencia reciente sugiere que las estrategias de indicación guiada, como la indicación guiada por el conocimiento, pueden mejorar el rendimiento de los LLM en varias tareas de revisión.
El estudio actual incluyó una única revisión sistemática en el ámbito médico como referencia para la comparación, lo que puede restringir la generalización de estos hallazgos a otros ámbitos científicos. Por lo tanto, se necesitan futuros estudios para evaluar múltiples revisiones sistemáticas en diversos ámbitos biomédicos y no biomédicos para mejorar la solidez y la validez externa.
Referencia del diario:
- Sollini, M., Pini, C., Lazar, A., et al. (2025). Human researchers are superior to large language models in writing a medical systematic review in a comparative multitask assessment. Scientific Reports. DOI: 10.1038/s41598-025-28993-5. https://www.nature.com/articles/s41598-025-28993-5
