Usar miles de agentes de IA para descubrir nuevos leads en datos biológicos
La afirmación de OpenAI de que enjambres de “agentes” de IA pueden generar nuevas ideas biológicas recibe escepticismo por parte de investigadores que señalan que el descubrimiento de fármacos rara vez está limitado por ideas o leads, sino por el coste y la dificultad de validarlos en ensayos en humanos. Los comentaristas sostienen que los resultados se parecen a una generación incremental de hipótesis —algo que ya hacen estudiantes de doctorado—, mientras que el hype sobre “curar enfermedades” va por delante de lo que realmente se demuestra, especialmente en comparación con los logros más concretos de la IA en matemáticas y software.
Cuellos de botella en el descubrimiento de fármacos vs. “nuevos leads”
- Varios comentaristas sostienen que la generación de leads no es el verdadero cuello de botella; lo que lo es es validar la eficacia, la toxicidad y los efectos secundarios en humanos mediante ensayos clínicos.
- Algunos dicen que la IA podría ayudar más con el diseño de estudios, la navegación regulatoria y la mejora de la fidelidad de los modelos (in silico, modelos animales) para reducir falsos leads.
- Otros replican que para muchas enfermedades todavía carecemos de buenas hipótesis causales y dianas accionables, así que mejorar el descubrimiento podría ser valioso, no solo la optimización.
Calidad y novedad de las ideas biológicas
- Varios consideran que el lead DCTN1–neurodegeneración mostrado es poco impresionante: DCTN1 ya está asociado con fenotipos relacionados, y el mecanismo de colesterol propuesto parece una hipótesis estándar, de nivel de doctorado.
- Recursos existentes (p. ej., bases de datos de función génica) ya conectan DCTN1 con afecciones similares al Parkinson; los comentaristas cuestionan qué hay realmente de nuevo.
- Algunos señalan que las hipótesis son baratas y abundantes en biología; lo escaso es convertirlas en terapias validadas.
Agentes, metodología y valor científico
- La idea técnica central —poner en marcha miles de agentes para analizar datos de perturb-seq— se ve como una paralelización obvia: más rápida y exhaustiva que un único agente, pero no conceptualmente profunda.
- Un comentario llama a esto “la química combinatoria de los años 90, salvo que más tonta y con más dólares de capital riesgo”.
- Algunos creen que la herramienta podría ser útil cuando se aplique a problemas reales, pero critican que el artículo/las figuras son difíciles de interpretar y están demasiado centrados en exhibir capacidad.
Hype, valoración y límites de la IA en biología
- Muchos ven el anuncio como PR impulsada por el hype antes de grandes valoraciones/OPVs, especialmente en comparación con resultados recientes de IA en matemáticas y ciencias de la computación que tienen una verificación más clara.
- Se describe repetidamente que la biología es más difícil para la IA que las matemáticas: retroalimentación escasa y ruidosa, costosa; pocas etiquetas de entrenamiento de alta calidad; interacción con sistemas reales desordenados.
- Los comentaristas dudan de las afirmaciones de que la IA de frontera “curará todas las enfermedades” rápidamente, sugiriendo que harían falta laboratorios totalmente automatizados y plazos largos.
Debate más amplio sobre IA (trabajo, alegría y disrupción)
- Los debates laterales tratan sobre si la IA es principalmente una “herramienta de programación” o un sustituto universal del trabajo; algunos informan enormes ganancias de productividad, otros ahorros netos de tiempo limitados.
- Hay tensión entre quienes priorizan un avance científico más rápido a cualquier coste humano y quienes se preocupan por la pérdida de la “alegría” científica, las carreras y la disrupción social.
- Las respuestas sociales propuestas incluyen la RBU o gravar la producción de IA/robótica; otros abrazan la obsolescencia rápida del trabajo humano aunque cause convulsión.