Google lanza AI Co-scientist, un asistente de investigación inteligente impulsado por Gemini
En el vasto campo de la investigación científica, los científicos son como exploradores que, con su extraordinario talento y creatividad, combinados con ideas y conocimientos extraídos de un vasto corpus bibliográfico, siguen abriendo nuevas y viables vías de investigación y abren el camino para posteriores exploraciones. Sin embargo, en muchas disciplinas, los investigadores se enfrentan a menudo al reto de la "amplitud" y la "profundidad". La explosión del número de publicaciones científicas y la necesidad de integrar conocimientos de campos desconocidos hacen que la investigación sea cada vez más compleja. La investigación interdisciplinar a menudo conduce a avances revolucionarios, como la tecnología CRISPR, que nació de la convergencia de conocimientos de microbiología, genética y biología molecular, y el Premio Nobel de Química 2020 concedido a Emmanuelle Charpentier y Jennifer Doudna por su trabajo pionero en CRISPR.
Impulsado por las numerosas necesidades insatisfechas del descubrimiento científico moderno, y beneficiándose de los rápidos avances recientes en inteligencia artificial, en particular la capacidad de la IA para integrar conocimientos de disciplinas complejas y realizar una planificación y un razonamiento a largo plazo, un sistema llamado AI Co-Scientist es un sistema de IA multiagente que pretende AI Co-Scientist es un sistema de IA multiagente diseñado para ser un asistente virtual colaborativo de los investigadores. Se basa en Géminis 2.0, su filosofía de diseño es muy compatible con el proceso de razonamiento del método de investigación científica. A diferencia de las herramientas tradicionales de revisión bibliográfica, resumen e investigación en profundidad, los cocientíficos de la IA se comprometen a descubrir nuevos conocimientos originales y a desarrollar hipótesis y escenarios de investigación innovadores basados en las pruebas existentes en relación con objetivos de investigación específicos.
Co-científicos de IA: potenciar la investigación, acelerar los descubrimientos
Los investigadores sólo tienen que fijar objetivos de investigación en lenguaje natural, y los cocientíficos de IA generan automáticamente nuevas hipótesis de investigación, descripciones detalladas de la investigación y protocolos experimentales. Para ello, el sistema emplea una serie de agentes especializados, como Generation, Reflection y AI.ReflexiónEl diseño de estos agentes, como "Ranking", "Evolution", "Proximity" y "Meta-review", se inspira en el propio método de investigación científica. Estos agentes utilizan la retroalimentación automatizada para iterar, generando, evaluando y optimizando hipótesis en un ciclo de auto-mejora, produciendo resultados de investigación cada vez de mayor calidad e innovación.
Co-científico de IA.
AI Co-Scientist está concebido para la colaboración, lo que permite a los investigadores interactuar con el sistema de diversas maneras, por ejemplo, aportando directamente sus ideas iniciales para que el sistema las explore en profundidad o proporcionando comentarios en lenguaje natural sobre los resultados generados por el sistema. Además, AI Co-Scientist integra herramientas como la búsqueda en Internet y modelos especializados de IA para mejorar la fiabilidad y calidad de las hipótesis.

Diagrama esquemático de los componentes del sistema multiagente para co-científicos de IA y los patrones de interacción entre el sistema y los investigadores.
Los co-científicos de IA analizan los objetivos fijados por los investigadores en un plan de investigación, que es gestionado por un Agente "Supervisor", responsable de asignar Agentes especializados a las colas de trabajo y de asignar recursos. El Agente Supervisor se encarga de asignar Agentes especializados a las colas de trabajo y de asignar recursos. Este diseño permite al sistema escalar de forma flexible la potencia computacional y optimizar iterativamente sus capacidades de razonamiento científico para objetivos de investigación específicos.

Visión general del sistema de co-científicos de IA. Agentes especializados (recuadros rojos con funciones y lógica únicas); entrada y retroalimentación de los científicos (recuadros azules); flujo de información del sistema (flechas gris oscuro); retroalimentación entre agentes (flechas rojas dentro de la sección de agentes).
Escala aritmética: profundizar en el razonamiento científico
La IA colabora con los científicos utilizando técnicas de escalado aritmético para permitir el razonamiento iterativo, la evolución y la optimización de los resultados. Entre los pasos clave de la inferencia se encuentran los debates científicos basados en el "autojuego" para generar nuevas hipótesis, los concursos de clasificación para comparar hipótesis y los procesos de "evolución" para mejorar la calidad. La función de agente del sistema facilita la autocrítica recursiva, incluido el uso de herramientas de retroalimentación para mejorar hipótesis y escenarios.
La automejora del sistema se basa en las métricas de evaluación automatizada "Elo" obtenidas en la competición. Debido al papel central de las métricas Elo, el equipo de investigación evaluó si las puntuaciones Elo más altas se asociaban a una mayor calidad de los resultados. Al analizar la coherencia entre la puntuación automática Elo y la precisión de la prueba de referencia GPQA (para rompecabezas de nivel diamante), el equipo descubrió que las puntuaciones Elo más altas estaban positivamente correlacionadas con una mayor probabilidad de respuestas correctas.

Precisión media de los cocientíficos de IA (línea azul) y los modelos de referencia Gemini 2.0 (línea roja) en los rompecabezas de nivel diamante del GPQA, agrupados por puntuación Elo, que es una métrica de evaluación automatizada no basada en respuestas estándar independientes.
Siete expertos en la materia seleccionaron 15 objetivos de investigación abiertos y las mejores soluciones en sus áreas de especialización. Utilizando métricas Elo automatizadas, el equipo de investigación observó que los cocientíficos de IA superaban a otros modelos de agentes avanzados y modelos de inferencia en estos problemas complejos. Los análisis reprodujeron las ventajas de utilizar el sesgo inductivo derivado de los métodos de investigación científica para escalar la computación en tiempo de prueba. Los resultados experimentales muestran que la calidad de la autoevaluación mejora a medida que aumenta el tiempo del sistema para razonar y mejorar, superando incluso a otros modelos y a expertos humanos sin ayuda.


El rendimiento de los co-científicos de IA mejora a medida que aumenta el tiempo de cálculo del sistema. Esto puede observarse en las métricas Elo automatizadas, que superan gradualmente a otros modelos de referencia. Arriba: Progreso de Elo para la hipótesis con mejor puntuación. Abajo: Progreso medio de Elo para las 10 mejores hipótesis.
En un pequeño subconjunto de 11 objetivos de investigación, los expertos evaluaron la novedad y el impacto potencial de los resultados generados por los cocientíficos de IA y los compararon con otros modelos de referencia; también indicaron sus preferencias generales. A pesar del pequeño tamaño de la muestra, los expertos seguían percibiendo que los cocientíficos de IA tenían mayor novedad e impacto potencial, y preferían sus resultados. Además, las preferencias de los expertos humanos parecían coincidir con las métricas de evaluación automatizada de Elo presentadas anteriormente.


Los expertos humanos consideraron que los resultados de la investigación de los cocientíficos de IA tenían un mayor grado de novedad e impacto potencial (panel izquierdo) y se vieron favorecidos frente a otros modelos (panel derecho).
Validación experimental: aplicación en el mundo real de las hipótesis de los cocientíficos de IA
Para evaluar la aplicación práctica de las novedosas predicciones del sistema, el equipo llevó a cabo experimentos de laboratorio de principio a fin en tres ámbitos biomédicos clave para validar las hipótesis y los escenarios de investigación generados por los cocientíficos de IA. Las tres áreas fueron: reutilización de fármacos, descubrimiento de nuevas dianas terapéuticas y resolución de mecanismos de resistencia antimicrobiana. Estos experimentos se llevaron a cabo bajo la dirección de expertos y abarcaron escenarios de aplicación de diversos niveles de complejidad:

Leucemia: un nuevo avance en la reutilización de fármacos
El descubrimiento de fármacos es un proceso cada vez más largo y costoso. Para cada nueva indicación o enfermedad, el desarrollo de nuevas terapias exige reiniciar muchas partes del proceso de descubrimiento y desarrollo". Drug Repurposing" se creó para hacer frente a este reto mediante la identificación de nuevas aplicaciones terapéuticas para los fármacos existentes más allá de su uso previsto. Sin embargo, debido a la complejidad de la tarea, el "drug repurposing" requiere un amplio abanico de conocimientos interdisciplinarios.
El equipo de investigación aplicó la IA para colaborar con los científicos en la predicción de oportunidades de reutilización de fármacos y, con sus socios, validó estas predicciones mediante biología computacional, comentarios de expertos clínicos y experimentos in vitro.
En particular, los cocientíficos de AI propusieron nuevos fármacos candidatos para la leucemia mieloide aguda (LMA). La posterior validación experimental de estos protocolos confirmó que los fármacos recomendados inhiben la viabilidad de las células tumorales a concentraciones clínicamente relevantes en una amplia gama de líneas celulares de LMA.

KIRA6 inhibe la viabilidad de KG-1 (línea celular de la LMA) a concentraciones clínicamente relevantes. La capacidad de reducir la viabilidad de las células cancerosas a concentraciones más bajas del fármaco tiene múltiples ventajas, como la reducción del riesgo de efectos secundarios fuera del objetivo.
Fibrosis hepática: acelerar el descubrimiento de dianas
La identificación de nuevas dianas terapéuticas es más compleja que la reutilización de fármacos y a menudo conduce a una selección de hipótesis ineficiente y a una mala priorización de los experimentos in vitro e in vivo. El descubrimiento de dianas asistido por IA puede ayudar a agilizar el proceso de validación experimental y reducir potencialmente el tiempo y los costes de desarrollo.
El equipo exploró en profundidad las capacidades del sistema AI co-scientist para hipótesis de descubrimiento de dianas, incluyendo la propuesta, secuenciación y generación de hipótesis y protocolos experimentales, con especial atención a la fibrosis hepática.AI co-scientist demostró su potencial identificando dianas epigenéticas basadas en pruebas preclínicas que mostraban una actividad antifibrótica significativa en organoides hepáticos humanos, un modelo de cultivo celular en 3D diseñado para imitar la estructura y función del hígado humano. ) que muestran una actividad antifibrótica significativa en el organoide hepático humano (un modelo de cultivo celular en 3D diseñado para imitar la estructura y la función del hígado humano). Estos hallazgos se detallarán en un próximo informe de nuestros colaboradores de la Universidad de Stanford.

Comparación de los regímenes terapéuticos propuestos por los cocientíficos de la IA para la fibrosis hepática con inductores de la fibrosis (control negativo) e inhibidores (control positivo) Todos los regímenes terapéuticos propuestos por los cocientíficos de la IA mostraron una actividad prometedora (valor p <0,01 para todos los fármacos propuestos), incluidos los candidatos capaces de revertir el fenotipo de la enfermedad. Los resultados detallados se presentarán en un próximo informe de los colaboradores de Stanford.
Resistencia a los antimicrobianos: un enfoque mecanicista
Como tercer caso de validación, el equipo de investigación se centró en generar hipótesis para explicar los mecanismos evolutivos de la transferencia genética bacteriana asociada a la resistencia a los antimicrobianos (RAM). La resistencia a los antimicrobianos es el mecanismo por el que los microbios han evolucionado para resistir a los fármacos antiinfecciosos. Se trata de otro reto complejo que exige comprender los mecanismos moleculares de la transferencia de genes (incluidas la conjugación, la transducción y la transformación), así como las presiones ecológicas y evolutivas que impulsan la propagación de los genes de la AMR.
- Combinación (conjugación). Proceso de transferencia de material genético entre bacterias mediante contacto directo o puentes intercelulares.
- (transducción). Proceso de transferencia de ADN de una célula bacteriana a otra a través de un virus (fago).
- transformación. Proceso por el que una bacteria toma ADN libre directamente de su entorno y lo integra en su propio genoma.
Para realizar esta prueba, los investigadores expertos encargaron a los cocientíficos de la IA que exploraran un tema sobre el que su equipo había hecho nuevos descubrimientos, pero que aún no se habían hecho públicos, a saber, explicar cómo las "islas cromosómicas inducidas por fagos formadores de capas (cf-PICIs)" están presentes en una amplia gama de especies bacterianas. Las cf-PICIs son una clase especial de elementos genéticos capaces de transferirse entre bacterias e interactuar de forma compleja con los fagos, un tipo de virus que infecta a las bacterias. (un virus que infecta a las bacterias). Sorprendentemente, los cocientíficos de AI propusieron de forma sistemática e independiente la hipótesis de que los cf-PICI interactúan con las colas de múltiples fagos para ampliar su rango de huéspedes. Este descubrimiento "in silico" se validó en novedosos experimentos originales de laboratorio previos a la aplicación del sistema de cocientíficos de la IA, y se describe en un artículo publicado simultáneamente con colaboradores de la Iniciativa Fleming y el Imperial College de Londres (1, 2). Esto ejemplifica el valor del sistema cocientífico de IA como tecnología de asistencia, ya que es capaz de utilizar eficazmente todos los hallazgos de décadas de literatura de libre acceso sobre el tema.

Cronología de la colaboración de AI con científicos para redescubrir nuevos mecanismos de transferencia genética. Azul: cronología del proceso de investigación experimental de los descubrimientos de movilidad de cf-PICI. Rojo: los cocientíficos de la IA desarrollan y generalizan estos descubrimientos clave (en ausencia de conocimientos a priori).
Limitaciones y perspectivas: una escalera de progreso continuo
En el informe, el equipo detalla varias limitaciones del sistema y orientaciones para mejorarlo, entre ellas: mejora de la revisión bibliográfica, comprobación de hechos, validación cruzada con herramientas externas, técnicas de evaluación automatizada y evaluaciones a mayor escala, como invitar a participar a más expertos de dominio con diferentes temas de investigación.La introducción de los cocientíficos de IA representa un importante paso adelante para la investigación científica asistida por IA. La introducción de los cocientíficos de IA representa un importante paso adelante en la tecnología de investigación asistida por IA, que se espera acelere significativamente el proceso de descubrimiento científico. El sistema es capaz de generar hipótesis novedosas y comprobables en múltiples ámbitos científicos y biomédicos, algunas de las cuales ya han sido validadas en experimentos, y es capaz de automejorarse recursivamente mediante el aumento de la potencia aritmética. En conjunto, estos atributos demuestran su gran potencial para acelerar la respuesta de los investigadores a los grandes retos de la ciencia y la medicina. Estamos deseando seguir explorando el potencial de los científicos colaborativos de IA como ayudas a la investigación de forma responsable. Este proyecto demuestra vívidamente cómo los sistemas de IA colaborativos y centrados en el ser humano pueden potenciar la creatividad humana y acelerar los descubrimientos científicos.
Se lanza el "Programa de Probadores de Confianza" de Co-científicos de IA, que le invita a explorar juntos el nuevo paradigma de la investigación científica
El equipo de investigación se siente alentado por los resultados iniciales demostrados por el sistema AI Co-Scientist y ve la necesidad de evaluar sus puntos fuertes y sus limitaciones en los ámbitos científico y biomédico más amplios. Para que este trabajo avance de forma responsable, el equipo abrirá el acceso al sistema a instituciones de investigación a través del Programa Trusted Tester. Las organizaciones de investigación interesadas de todo el mundo pueden considerar la posibilidad de unirse al programa, cuyos detalles pueden consultarse en enlace (en un sitio web).
© declaración de copyright
Derechos de autor del artículo Círculo de intercambio de inteligencia artificial Todos, por favor no reproducir sin permiso.
Artículos relacionados
Sin comentarios...