Una herramienta convierte artículos científicos en agentes de inteligencia artificial capaces de ejecutar sus métodos

Científicos trabajando con IA en nuevos descubrimientos. Fuente: Universo Abierto

El sistema, presentado en un trabajo publicado en la revista ‘Nature’, analiza artículos científicos junto con los materiales que lo acompañan, como el código y los datos. A partir de esa información, crea herramientas que una IA puede utilizar para realizar los análisis descritos en el trabajo. De esta forma, un investigador puede comunicarse con el agente mediante lenguaje natural y pedirle que analice datos, reproduzca un procedimiento o aplique un método del estudio a un nuevo conjunto de datos.

Para conseguirlo, Paper2Agent utiliza el Model Context Protocol (MCP), un sistema que permite conectar la inteligencia artificial con las herramientas y recursos de una investigación. El agente puede disponer así del artículo, el código, los datos y las herramientas necesarias para realizar determinados análisis. Además, las herramientas creadas se comprueban comparando sus resultados con los obtenidos mediante el código original del estudio.

22 herramientas en 45 minutos

Uno de los ejemplos utilizados por los investigadores fue AlphaGenome, un modelo de inteligencia artificial diseñado para estudiar cómo los cambios en el ADN pueden afectar a diferentes procesos biológicos.

Paper2Agent convirtió la investigación sobre AlphaGenome en un agente capaz de utilizar sus métodos. En total, creó 22 herramientas, que permiten, entre otras cosas, analizar variantes genéticas, estudiar sus posibles efectos en distintos tipos de células y tejidos y generar representaciones visuales de los resultados. El proceso tardó unos 45 minutos y tuvo un coste de 14 dólares, sin intervención humana durante la creación del agente.

Esto significa que, en vez de limitarse a explicar qué hace AlphaGenome, el agente puede utilizar las herramientas del propio trabajo para realizar análisis cuando un investigador se los solicita.

Tres agentes para estudiar la psoriasis

Además de esto, los agentes creados a partir de diferentes investigaciones pueden colaborar entre sí.

Para demostrarlo, los investigadores utilizaron tres agentes para estudiar una variante genética relacionada con la psoriasis. Cada uno procedía de una investigación diferente y aportaba un tipo de información.

El primero analizaba los posibles efectos de la variante genética. Los otros dos procedían de estudios que habían realizado experimentos con células del sistema inmunitario. Uno permitía estudiar qué ocurría cuando se alteraba una región concreta del ADN y el otro mostraba qué cambios se producían cuando se reducía la actividad de diferentes genes. Los tres agentes podían, por tanto, aportar piezas diferentes de la misma investigación.

El objetivo era averiguar qué gen podría explicar el efecto de una variante genética asociada a la psoriasis. El primer agente señaló a GPR137 como el gen que parecía estar más afectado por esa variante en las células. Para comprobar esta predicción, el sistema consultó los datos procedentes de los otros dos estudios.

La inteligencia artificial analizó esa información y propuso diez estrategias diferentes para comprobar la relación. Sin embargo, la decisión final no la tomó la IA, sino un investigador humano que eligió el análisis a utilizar.

Los resultados respaldan a GPR137 como el probable gen causal asociado a la variante estudiada, aunque el experimento no significa que la inteligencia artificial haya demostrado por sí sola que este gen sea responsable de la psoriasis. Lo que muestra es que puede combinar información de diferentes investigaciones para ayudar a los científicos a comprobar una hipótesis.

No todos los artículos pueden convertirse en agentes

A mayor escala, los investigadores aplicaron Paper2Agent a 100 artículos de biología computacional. El sistema pudo convertir 74 de ellos en agentes funcionales y generó 599 herramientas, de las cuales 593 superaron las pruebas de validación. Los principales obstáculos fueron la ausencia o incompletitud del código, la falta de datos o modelos necesarios y problemas relacionados con las dependencias de software.

Los autores señalan que no todos los artículos pueden convertirse en agentes funcionales y que el sistema no sustituye el razonamiento científico abierto. Los investigadores continúan siendo necesarios a la hora de decidir qué preguntas abordar, qué estrategias de validación utilizar y cómo interpretar las evidencias.