Pero el potencial de la IA va mucho más allá de las líneas de frente de la medicina.

La IA ya está cambiando la forma en que los científicos descubren y diseñan medicamentos. Está prediciendo cómo las moléculas interactúan y las proteínas se pliegan con una velocidad y precisión nunca antes vistas. Un día, la IA puede incluso usarse de forma rutinaria para salvaguardar el funcionamiento de los reactores nucleares.

Marinka Zitnik ,

Estas son solo algunas de las emocionantes aplicaciones de la IA en las ciencias naturales, según un comentario en Nature escrito por Marinka Zitnik , profesora asistente de informática biomédica en la Escuela de Medicina de Harvard. Zitnik dirigió un equipo de autores-investigadores de 36 laboratorios académicos e industriales de todo el mundo.

Zitnik, quien también es miembro asociado de la facultad en el Instituto Kempner para el Estudio de la Inteligencia Natural y Artificial en la Universidad de Harvard, habló sobre el papel cada vez mayor de la IA en la ciencia y el descubrimiento.

Harvard Medicine News: Nos han inundado con noticias y comentarios sobre el uso de la IA en la medicina, pero no escuchamos tanto sobre la IA en la ciencia y los descubrimientos más allá de la medicina. ¿Porqué es eso?

Zitnik: Creo que es porque la realización de la gran oportunidad que representa la IA para las ciencias de la vida y las ciencias naturales en general aún no ha ocurrido. La práctica de la ciencia puede variar según las disciplinas, pero el método científico que nos ayuda a explicar el mundo natural constituye un principio universal y fundamental en todas las disciplinas. El método científico existe desde el siglo XVII, pero las técnicas utilizadas para generar hipótesis, recopilar datos, realizar experimentos y recopilar mediciones ahora pueden mejorarse y acelerarse mediante el uso reflexivo y responsable de la IA.

Inteligencia Artificial (Foto. Freepik)

HMNews : ¿Dónde ve el impacto más inmediato de la IA en el descubrimiento científico?

Zitnik: Los descubrimientos realizados con el uso combinado de la experiencia humana y la inteligencia artificial ya afectan nuestra vida cotidiana. La IA se utiliza para sintetizar nuevos fármacos. Se utiliza para diseñar nuevos materiales con propiedades que los hacen robustos y rígidos para soportar la construcción de puentes y edificios. Se han utilizado algoritmos de IA para proporcionar retroalimentación y control en tiempo real de globos estratosféricos para el pronóstico del tiempo. En física, que puede parecer tan lejana de la vida cotidiana, se utilizaron algoritmos de IA desarrollados recientemente para controlar un simulador de tokamak , un reactor de fusión nuclear en desarrollo, para que su funcionamiento seguro dependa menos de la intuición y la experiencia humanas únicamente.

HMNews: ¿Qué te entusiasma a largo plazo?

Zitnik: Estoy muy entusiasmado con el potencial de la IA no solo para contribuir a la comprensión científica, sino también para adquirirla de forma autónoma para generar conocimiento por sí misma. Se ha demostrado que los modelos de IA pueden capturar conceptos científicos complejos, como la tabla periódica de elementos, de la literatura sin ninguna guía.

La capacidad de desarrollar conocimiento autónomo puede guiar futuros descubrimientos incrustados en publicaciones pasadas. Por ejemplo, esto podría ser el descubrimiento de una molécula para tratar la enfermedad de Alzheimer. Tal descubrimiento requeriría identificar relaciones indirectas entre publicaciones y entre disciplinas (química, biología, medicina) conectando las propiedades químicas de las moléculas con el comportamiento biológico de las vías moleculares implicadas en la enfermedad de Alzheimer y luego con los fenotipos clínicos y los síntomas de los pacientes.

Conectar todas estas disciplinas y publicaciones para identificar principios compartidos y generar una hipótesis novedosa sería imposible para un humano. Los «copilotos» de IA podrían leer no solo publicaciones científicas, sino también datos de investigación sin procesar, imágenes y datos experimentales de laboratorio y luego extraer el conocimiento latente y presentarlo como una hipótesis para la evaluación de expertos humanos. Esto requiere modelos de IA para formular hipótesis que no están escritas ni directamente implícitas o sugeridas en la literatura científica existente.Estos son los desafíos que consumen la mayor parte del tiempo de un científico y que a menudo diferencian a los muy buenos científicos de los excepcionales. Esperamos que, en el futuro, los científicos dediquen menos tiempo al trabajo de laboratorio de rutina y más tiempo a guiar, acceder y evaluar hipótesis de IA y orientar los modelos de IA hacia las preguntas de investigación que les interesan.

Otra posibilidad emocionante es la idea del diseño, descubrimiento y evaluación impulsados ​​por la IA con humanos en el circuito. Sería posible automatizar los flujos de trabajo científicos de rutina y combinar la experimentación real en el mundo físico con modelos virtuales de IA y robótica. Esto nos permitiría aprovechar las predicciones y realizar experimentos con un alto rendimiento. Crearía laboratorios autónomos donde algunos de los experimentos serían guiados directamente por predicciones y resultados hechos por modelos de IA.

HMNews: ¿Cuáles son algunos de los escollos que prevé? ¿Dónde debemos andar con más cuidado?

Zitnik: Un desafío se relaciona con las consideraciones prácticas. Implementar e integrar un modelo con equipos de laboratorio requiere mucho trabajo e ingeniería compleja de software y hardware, la conservación de los datos y mejores interfaces de usuario. Actualmente, las variaciones menores en el software y el hardware pueden provocar cambios considerables en el rendimiento de la IA. Por lo tanto, se vuelve arriesgado combinar herramientas virtuales de IA con dispositivos físicos reales que puedan operar en el mundo real. Es necesario estandarizar los datos y los modelos. En última instancia, si se hace correctamente, esperaría ver el surgimiento de laboratorios autónomos y motores de descubrimiento semiautónomos.

Otro desafío se relaciona con los fundamentos del aprendizaje automático. Existen brechas en lo que los algoritmos pueden hacer actualmente en comparación con lo que necesitamos que hagan para ser utilizados de manera rutinaria. Los datos científicos son multimodales, como los agujeros negros en la cosmología, el lenguaje natural en la literatura científica, las secuencias biológicas como los aminoácidos y las estructuras atómicas y moleculares en 3D. La integración de estos datos es desafiante pero necesaria porque observar cualquier conjunto de datos de forma aislada no puede brindar una visión holística del problema.

Otro desafío importante es que la mayoría de los modelos de IA actuales todavía funcionan como cajas negras. Esto significa que los científicos, los usuarios, no pueden entender o explicar completamente cómo funcionan estos modelos. Ese es un desafío porque la comprensión científica está en el corazón del avance de la ciencia. ¿Cómo desarrollar modelos de aprendizaje profundo más transparentes? Esto sigue siendo esquivo.

La mala aplicación y el mal uso de la IA es otro desafío. Los algoritmos pueden desarrollarse para un propósito pero usarse para otro. Esto puede crear vulnerabilidades a la manipulación. Por ejemplo, en las ciencias moleculares, hemos visto un uso cada vez mayor de la IA generativa para diseñar estructuras moleculares. La IA puede generar estructuras que tienen propiedades similares a las de los medicamentos, que representan moléculas que se administrarían a tejidos específicos, lo que los convierte en candidatos a fármacos prometedores. Sin embargo, uno podría tomar exactamente el mismo algoritmo y modificar los criterios.

Por lo tanto, en lugar de optimizar las moléculas para que se comporten como medicamentos, el algoritmo podría generar moléculas que se asemejan a las armas biológicas. Debería haber una conversación crítica sobre qué es el uso responsable de la IA en la ciencia. Necesitamos pensar en establecer procesos de revisión ética y pautas de implementación que actualmente no existen.

HMNews: ¿Cuáles ve como algunas de las soluciones?

Zitnik:Abordar los desafíos requerirá nuevos modos de pensamiento y colaboración. En el futuro, tenemos que cambiar la forma en que se forman los equipos de investigación. Esperamos ver a más especialistas en IA e ingenieros de software y hardware convertirse en miembros críticos de los equipos de investigación científica. Esperamos nuevas formas de colaboración que involucren al gobierno en todos los niveles, corporaciones e instituciones educativas. Involucrar a las corporaciones es importante porque a medida que los modelos de IA continúan creciendo en tamaño, capacitar estos modelos requerirá recursos que generalmente solo existen en un puñado de grandes empresas tecnológicas. Las universidades, por otro lado, están mejor integradas entre disciplinas. Sólo en las universidades tenemos departamentos de química, biología, física, sociología, etc. De este modo,