OpenAI, en colaboración con PerturbAI y Scripps Research, ha demostrado un método para escalar la investigación biológica utilizando un marco que denominan 'razonamiento biológico distribuido'. Al desplegar miles de agentes de IA impulsados por GPT-Rosalind, el equipo analizó un atlas CRISPR de un cerebro completo, un conjunto de datos que detalla cómo las interrupciones genéticas específicas afectan a diferentes tipos de células en el cerebro del ratón. A cada agente se le asignó una única interrupción genética para investigar, con la tarea de analizar las respuestas celulares, buscar literatura científica relevante y proponer explicaciones biológicas. Los agentes combinaron sus informes individuales en un 'atlas de razonamiento' que vincula genes, efectos celulares y mecanismos potenciales.
Esta imagen sirve como una representación visual de los complejos datos biológicos y estructuras neuronales que los agentes de IA tienen la tarea de mapear.
El mecanismo principal de este enfoque es la paralelización de la revisión de literatura y la interpretación de datos. Los investigadores descubrieron que, si bien un solo agente de IA podía procesar los datos, tenía dificultades con la escala; en la carga de trabajo más alta, un solo agente citó solo 11 referencias. En contraste, el enfoque de agentes distribuidos citó más de 700 referencias, proporcionando un contexto mucho más amplio para los hallazgos. Este método permitió al equipo identificar conexiones inesperadas, como un vínculo potencial entre el metabolismo del colesterol y la neurodegeneración, y diferencias específicas en cómo los genes Tsc1 y Tsc2 afectan al cerebelo. Los agentes fueron capaces de reproducir hallazgos existentes liderados por humanos, al tiempo que descubrieron nuevas pistas, como una hipótesis sobre el gen DCTN1 y su papel en la distribución del colesterol.
A pesar de la velocidad y amplitud de los resultados de la IA, la investigación destaca una distinción entre generar 'pistas' y lograr la validación clínica. Si bien los agentes pueden sintetizar décadas de conocimiento disperso en hipótesis comprobables en cuestión de minutos, el cuello de botella real en el descubrimiento de fármacos sigue siendo la transición de una pista teórica a un resultado clínico validado. Además, el estudio señala que, aunque los expertos humanos prefirieron los informes de agentes distribuidos el 75% de las veces, el papel de la IA está destinado a aumentar, en lugar de reemplazar, a los científicos humanos. El objetivo es proporcionar a los investigadores una lista priorizada de preguntas y mecanismos para probar en entornos de laboratorio, convirtiendo eficazmente datos experimentales a gran escala en direcciones de investigación accionables.