Todos los periódicos y la radio, en unoEscrito por IA a partir de Hacker News · Cómo se hace
Hacker News
Inteligencia artificial · openai.com
Miles de agentes de IA para encontrar nuevas pistas en datos biológicos
OpenAI, PerturbAI y Scripps Research han usado miles de agentes basados en GPT-Rosalind para analizar en 32 minutos datos de millones de células de cerebro de ratón. Proponen vínculos entre genes y enfermedades neurodegenerativas, como el colesterol, pero los comentarios dudan de su valor real.
Foto: vía openai.com
1 medio · MadridPublicada 21 oct, 19:35Actualizada 21 oct, 23:11· Ya no está en portadaEscrita por IA · cómo funciona
El equipo dividió el análisis entre miles de agentes de IA con GPT-Rosalind, un enfoque que llaman «razonamiento biológico distribuido». Los datos eran un atlas CRISPR de cerebro completo de ratón, que muestra cómo la alteración de genes afecta a distintos tipos de células. Cada agente estudiaba una alteración génica, analizaba la respuesta celular, buscaba bibliografía científica y proponía explicaciones. Los informes se combinaron en un «reasoning atlas» que enlaza genes, efectos celulares, publicaciones y posibles mecanismos, y que ya está disponible para los investigadores.
Según los autores, un análisis humano equivalente, perturbación a perturbación, llevaría de meses a un año. Los agentes reprodujeron hallazgos de análisis humanos y aportaron pistas adicionales. La valoración de novedad y valor científico coincidió con la de expertos humanos a ciegas. En una comparación con un solo agente, este citó solo 11 referencias en la mayor carga de trabajo, frente a más de 700 de los agentes distribuidos, y los expertos prefirieron los informes distribuidos el 75 % de las veces.
Entre las pistas destacan una diferencia inesperada entre Tsc1 y Tsc2, dos genes que controlan mTOR: en el cerebelo, alterar Tsc2 cambió la actividad de decenas de genes de comunicación neuronal y alterar Tsc1 apenas tuvo efecto, algo que podría tener relación con la esclerosis tuberosa. La otra es DCTN1, cuyas mutaciones causan el síndrome de Perry: al alterarlo aumentó la expresión de genes de síntesis de colesterol, lo que lleva a preguntar si cambia la distribución del colesterol en las neuronas y contribuye a la neurodegeneración.
El texto insiste en que los científicos siguen en el centro del descubrimiento: la IA ayudaría a decidir qué ideas perseguir, diseñar experimentos e interpretar resultados. Los hallazgos son hipótesis que hay que comprobar en el laboratorio.
«Using thousands of AI agents to uncover new leads in biological data» · puesto 29 · 135 puntos · enviado por raahelb
Lo que dicen los comentarios
Los comentarios son en su mayoría escépticos. Varios, entre ellos gente que parece conocer el campo, sostienen que generar pistas nunca fue el cuello de botella de la biomedicina, sino el desarrollo clínico y los ensayos en humanos, y recuerdan que las empresas de descubrimiento de fármacos con IA han acabado desarrollando ellas mismas sus candidatos. Se critica la hipótesis del colesterol por vaga y poco concluyente, y la nota de prensa por tosca y por tergiversar el artículo científico. También se cuestiona la eficiencia de lanzar un agente por gen. Otra línea discute si el entusiasmo por la IA se enfría o no, con quienes dicen que ya hace buena parte de su trabajo, y hay un cruce sobre si la IA «roba la alegría» a los científicos o si lo único importante es curar enfermedades.
Me sorprende que acaben en un gen ya conocido por una enfermedad rara y una hipótesis vaga. DCTN1 hace decenas de cosas; ¿el colesterol es especialmente convincente? No. Los doctorandos proponen hipótesis así cada hora. Las hipótesis son baratas.
Es una de las notas de prensa más perezosas y absurdas que he visto sobre un artículo científico. Si repartes el análisis entre 1946 agentes en vez de uno, es más rápido y más completo. Pues claro.
La ciencia clínica está inundada de «pistas potenciales» bien razonadas. El cuello de botella son los ensayos en humanos. Las empresas de IA para fármacos acaban convertidas en desarrolladoras con los mismos plazos, costes y probabilidades que las demás.
El verdadero problema es generar pistas con más probabilidad de dar resultados positivos que lanzar dardos a las hipótesis. En eso son buenos los científicos de primer nivel.
¿Así que hicieron un experimento perturb-seq y lanzaron un agente por cada gen de la biblioteca? Me parece muy poco eficiente, a no ser que el objetivo sea gastar millones en créditos de API.
Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.