IT之家 23 de octubre: OpenAI, en colaboración con PerturbAI y el Instituto Scripps Research, utilizó miles de agentes de IA para analizar los datos biológicos de millones de células cerebrales de ratones; todo el proceso de análisis duró solo 32 minutos.
El equipo de investigación estima que, si los investigadores humanos analizaran los resultados de los experimentos uno por uno y buscaran la literatura relacionada, completar el mismo trabajo necesitaría de meses a un año.
Según la introducción publicada por OpenAI el 21 de octubre, este estudio utilizó el modelo GPT-Rosalind diseñado específicamente para la investigación científica en biología de la vida, para analizar un mapa CRISPR del cerebro de ratón que abarca todo el cerebro. Este mapa registra los cambios en las diferentes células cerebrales tras la intervención de diferentes genes, lo que ayuda a los investigadores a comprender la función de los genes y las posibles conexiones entre ellos y las enfermedades.
El equipo de investigación utiliza una arquitectura de agentes de inteligencia artificial distribuida, desglosando grandes cantidades de tareas de análisis para ejecutarlas en paralelo. Cada agente se encarga de estudiar una intervención genética, analizar las reacciones de las células relacionadas y buscar documentación científica, en busca de posibles explicaciones biológicas para los cambios observados.
Luego, los investigadores integraron los informes de cada agente inteligente en un mapa de razonamiento llamado “Reasoning Atlas”, relacionando genes, cambios celulares, referencias y mecanismos de acción potenciales.
Los investigadores descubrieron que los agentes inteligentes distribuidos no solo pueden reproducir algunas conclusiones de estudios anteriores, sino que también presentan algunas pistas que vale la pena verificar más a fondo. Por ejemplo, Tsc1 y Tsc2 son dos genes que participan juntos en la regulación de procesos como el crecimiento celular y la metabolismo. Sin embargo, los estudios han revelado que, en algunos neuronas del cerebelo, intervenir en Tsc2 cambia la expresión de varios genes relacionados con la comunicación neuronal, mientras que la intervención en Tsc1 no produce cambios del mismo grado. Esta diferencia podría ayudar a los investigadores a comprender mejor las anomalías cerebrales asociadas a la esclerosis fibrosa.
Otra pista se refiere al gen DCTN1 relacionado con las enfermedades neurodegenerativas. Los estudios han descubierto que, tras intervenir en este gen, el nivel de expresión de algunos genes relacionados con la síntesis de colesterol aumenta. El agente inteligente de IA relaciona este fenómeno con investigaciones existentes sobre anomalías en el transporte de colesterol, y plantea una pregunta por verificar: ¿puede la alteración en la función de DCTN1 afectar la distribución de colesterol dentro de los neuronas y participar además en los cambios neurodegenerativos?
El equipo de investigación también realizó comparaciones en pruebas ciegas entre los agentes inteligentes distribuidos y los agentes inteligentes individuales. En 20 grupos de reportes emparejados, los expertos en biología preferían los informes generados por los agentes inteligentes distribuidos en el 75% de las evaluaciones; los informes de los agentes inteligentes individuales recibieron la preferencia en el 16.7% de las evaluaciones, y el 8.3% restante resultó en empates.
Los investigadores afirman que, a medida que el tamaño de las tareas de análisis aumenta, la arquitectura distribuida puede recuperar y citar más documentos científicos. En el testo del tamaño máximo, el agente inteligente distribuido citó 700 artículos, mientras que un solo agente inteligente citó solo 11.
Los artículos relacionados con la investigación se publicaron en la plataforma preimpresionada bioRxiv el 16 de octubre de 2026, y aún no han sido revisados por pares. El equipo de investigación destaca que los vínculos biológicos y mecanismos de acción propuestos por la IA siguen siendo hipótesis que necesitan ser verificadas, y que se requerirá confirmarlos mediante experimentos en el futuro.
Los mapas de inferencia relacionados, los procesos de análisis y el código están disponibles para los investigadores, lo que permite explorar los resultados de la intervención genética, comparar las respuestas de diferentes tipos de células y seleccionar las direcciones de investigación que merecen ser priorizadas en experimentos.
Dirección del artículo de IT Home:
https://www.biorxiv.org/content/10.64898/2026.10.15.759436v1
Leer también: