OpenAI y sus socios mostraron cómo la IA acelera cientos de veces el análisis de enormes datos científicos

Editado por: Tatyana Hurynovich

OpenAI showed that AI agents can handle the slowest step in modern biology, making sense of huge experiments. By splitting a huge brain experiment among 1,946 AI agents, OpenAI got in 32 minutes what it estimates would take people months: a ranked list of leads for new

Image
OpenAI
OpenAI
@OpenAI

GPT-Rosalind surfaced a new lead for drug discovery: could restoring cholesterol transport protect neurons from degeneration? DCTN1 is a gene linked to Perry syndrome, a rare neurodegenerative disorder. In mouse-brain data, disrupting it increased expression of genes involved in

Reply

OpenAI, junto con la empresa biotecnológica PerturbAI y Scripps Research, demostró cómo los agentes de IA distribuidos pueden acelerar el trabajo con enormes conjuntos de datos biológicos.

El equipo utilizó miles de agentes basados en GPT-Rosalind para analizar el whole-brain CRISPR atlas, datos sobre el efecto de las alteraciones genéticas en millones de células del cerebro de ratón. Cada agente estudiaba un gen: analizaba las reacciones celulares, buscaba conexiones en la literatura científica y proponía posibles explicaciones.

Todo el proceso tomó 32 minutos. Los investigadores estiman que un análisis manual comparable y una revisión de la literatura sobre un solo gen podrían haber llevado de varios meses a un año.

En qué consiste

La IA no realizó nuevos experimentos ni demostró la causa de la enfermedad. Procesó rápidamente datos ya existentes, encontró patrones y propuso hipótesis que ahora los científicos pueden comprobar en el laboratorio.

Los resultados se reunieron en un reasoning atlas, un mapa que vincula genes, efectos celulares, publicaciones científicas y posibles mecanismos. Este atlas ayuda a los investigadores a no revisar los datos manualmente, sino a ver de inmediato las direcciones más prometedoras.

Por qué es importante

El principal valor del proyecto es su escala. Miles de agentes analizaron en paralelo datos sobre millones de células y citaron más de 700 fuentes científicas. A modo de comparación: un solo agente en la misma prueba utilizó solo 11 fuentes.

En una comparación a ciegas, los biólogos eligieron con más frecuencia los informes de los agentes distribuidos, en 75% de los casos. Esto no significa que la IA siempre tenga razón, pero muestra que el sistema es capaz de ofrecer conclusiones de investigación útiles y bien fundamentadas.

Qué encontraron

Entre las hipótesis hay diferencias inesperadas en la acción de los genes Tsc1 y Tsc2 en el cerebelo: la alteración de Tsc2 cambió la actividad de decenas de genes, mientras que la de Tsc1 casi no la cambió.

Otro ejemplo está relacionado con el gen DCTN1, cuyas mutaciones se asocian con una enfermedad neurodegenerativa rara: el síndrome de Perry. La alteración de este gen aumentó la expresión de los genes que participan en la síntesis de colesterol. No es una causa establecida de la enfermedad, sino una posible pista que requiere más comprobaciones.

Qué sigue

El reasoning atlas ya está disponible para los investigadores: puede utilizarse para buscar nuevas hipótesis y planificar experimentos.

Los socios consideran este enfoque como una forma de encontrar más rápido posibles dianas para fármacos. Si el método se confirma con otros datos, podría hacer más sistemática la búsqueda de nuevos medicamentos. Pero por ahora es una etapa temprana: la IA propone ideas y las conclusiones finales quedan en manos de los científicos y de los experimentos de laboratorio.

5 Vues

Fuentes

  • Using thousands of AI agents to uncover new leads in biological data

  • PerturbAI and OpenAI Unveil First-of-Its-Kind AI Reasoning Agents to Scale Biomedical Discovery

Comentarios

¿Encontró un error o inexactitud?Consideraremos sus comentarios lo antes posible.