OpenAI, PerturbAI y Scripps Research han usado miles de agentes de inteligencia artificial para analizar datos experimentales de millones de células cerebrales de ratón. Lo han hecho en apenas 32 minutos. Los agentes funcionan con GPT-Rosalind, el modelo de OpenAI para biología. Su objetivo era detectar pistas sobre enfermedades neurodegenerativas como el alzhéimer y el párkinson.
Los experimentos actuales permiten alterar miles de genes y medir sus efectos en millones de células. Sin embargo, su interpretación exige conectar los resultados con décadas de literatura científica dispersa. Los investigadores suelen centrarse en las señales más fuertes. Las más sutiles o inesperadas se pierden con facilidad. Esta conexión es lo que puede solucionar la IA a una velocidad sorprendente.
Cómo funciona el “razonamiento biológico distribuido”
El equipo trabajó con un atlas CRISPR de todo el cerebro del ratón. Muestra cómo afecta a distintos tipos de células la alteración de cada gen. Dividieron el análisis entre miles de agentes. Cada uno estudiaba una alteración genética. Analizaba las respuestas celulares, buscaba en la literatura y proponía explicaciones. Después se combinaron los informes en un “atlas de razonamiento” que enlaza genes, efectos, publicaciones y posibles mecanismos.
Según el equipo, un análisis humano comparable, alteración a alteración, llevaría entre varios meses y un año. Los agentes reprodujeron resultados de análisis humanos y aportaron pistas adicionales. Sus valoraciones de novedad y valor científico coincidieron con las de expertos humanos que no sabían qué informe era de cada tipo.
Los autores probaron si un único agente con todos los datos podría igualarlo. Mantuvieron fijos el modelo y los recursos. Con la carga más grande, el agente solitario citó solo 11 referencias. Los agentes distribuidos citaron más de 700. En comparaciones a ciegas, los expertos prefirieron los informes distribuidos el 75% de las veces.
Dos pistas que merecen experimentos
Los agentes señalaron una diferencia inesperada entre Tsc1 y Tsc2, dos genes que regulan juntos mTOR, un controlador del crecimiento, el metabolismo y el envejecimiento celular. Alterar cualquiera produjo efectos parecidos en varios grupos de neuronas. Pero en el cerebelo, solo Tsc2 modificó la actividad de decenas de genes de comunicación neuronal. Esto podría tener relevancia en la esclerosis tuberosa, donde las anomalías cerebelosas se asocian a mutaciones de TSC2.
La segunda pista afecta a DCTN1, un gen cuyas mutaciones causan el síndrome de Perry, una enfermedad neurodegenerativa con síntomas similares al párkinson. Al alterarlo, aumentaba la expresión de genes que fabrican colesterol. Los agentes lo conectaron con investigaciones que vinculan el transporte de colesterol con la neurodegeneración. De ahí sale una hipótesis: que ese gen cambie cómo se distribuye el colesterol dentro de las neuronas. Expertos humanos la consideraron novedosa y digna de seguimiento.
Pistas, no descubrimientos
Conviene leerlo con cautela. Son hipótesis que hay que comprobar en el laboratorio, con datos de ratón y sin validar en personas. La IA ayudaría a decidir qué ideas perseguir y qué experimentos diseñar. El atlas de razonamiento está disponible en GitHub para que otros investigadores comparen genes y exploren las pistas.
