Investigadores de la Universidad Tecnológica de Chalmers, en Suecia, han desarrollado un «científico de IA» capaz de generar hipótesis, diseñar experimentos e interpretar resultados. Concretar nuevos descubrimientos biológicos con una mínima intervención humana es un avance importante en los laboratorios de conducción autónoma, según explica una nota de prensa.
Demostrada en experimentos con levadura de cerveza, la innovación ha integrado modelos de lenguaje, razonamiento automatizado y robótica experimental en un sistema de circuito cerrado, que puede investigar de forma iterativa cuestiones biológicas con una intervención humana reducida. El estudio se ha publicado en la revista Journal of the Royal Society Interface.
Un sistema que se retroalimenta
El experimento se centró en Saccharomyces cerevisiae, la levadura utilizada habitualmente en investigación y también conocida como levadura de cerveza. Para orientar al sistema, los científicos introdujeron información sobre el genoma del organismo, su metabolismo y estudios anteriores. A partir de ese conocimiento, la IA identifica preguntas que considera relevantes, propone hipótesis y selecciona experimentos capaces de ponerlas a prueba. Después interpreta los resultados y modifica sus siguientes decisiones en función de las evidencias obtenidas.
La clave está precisamente en conectar la inteligencia artificial con la capacidad física de experimentar. El sistema no se limita a generar texto o sugerir una línea de investigación: está conectado a plataformas automatizadas de cultivo celular y metabolómica, de manera que las hipótesis pueden desembocar en experimentos reales y los datos producidos por esos experimentos pueden regresar al propio sistema, para alimentar el siguiente ciclo.
Resultados comprobados experimentalmente
Los investigadores han incorporado, además, una estructura lógica destinada a reducir uno de los problemas de los grandes modelos de lenguaje: su dificultad para manejar relaciones científicas complejas de forma consistente. El marco combina aprendizaje relacional simbólico, vocabularios estructurados y restricciones experimentales. Las hipótesis, los experimentos y los datos quedan registrados en una base de datos en forma de grafo, utilizando vocabularios controlados y extensiones de ontologías existentes.
Ese diseño permitió al sistema hallar interacciones biológicas que posteriormente fueron comprobadas experimentalmente. Entre los resultados descritos por el equipo figura la inhibición del crecimiento provocada por el glutamato en células tratadas con espermina y el efecto parcialmente reparador del aminoadipato frente al estrés causado por el ácido fórmico. En ambos casos, la importancia del resultado no reside solo en que una IA formule una predicción, sino en que la hipótesis entre en un ciclo de comprobación experimental y revisión.
El sistema desarrollado en Suecia cierra el ciclo entre hipótesis, experimentación y análisis de resultados. / Crédito: Nahrizul Kadri en Unsplash.
¿Laboratorios autónomos?
El avance se sitúa dentro de una línea de investigación conocida como laboratorios autónomos. La idea consiste en automatizar sucesivas fases de la investigación para que un sistema pueda explorar de manera metódica espacios de hipótesis mucho mayores de los que un equipo humano puede abordar manualmente. Ross King, profesor de Chalmers y uno de los responsables del proyecto, sostiene que estos laboratorios podrían investigar sistemas biológicos con mucha mayor rapidez y optimizar el uso de los recursos experimentales.
El precedente del grupo también resulta significativo. King desarrolló anteriormente Adam, un robot científico diseñado para realizar experimentos y generar conocimiento de manera autónoma, y posteriormente Eve, concebido específicamente para el descubrimiento de fármacos. El nuevo trabajo actualiza esta tradición de robótica científica mediante la incorporación de modelos de lenguaje y razonamiento automatizado.
Referencia
Agentic AI integrated with scientific knowledge: laboratory validation in systems biology. Daniel Brunnsåker et al. Journal of the Royal Society Interface (2026). DOI:https://doi.org/10.1098/rsif.2026.0043
Trabajo conjunto entre humanos y máquinas
Sin embargo, el sistema todavía necesita intervención humana y los propios investigadores subrayan que, por lo menos por ahora, estas tecnologías deben ampliar las capacidades de los científicos, no sustituirlos. Los investigadores humanos continúan siendo necesarios para definir prioridades de investigación, interpretar la relevancia científica más amplia de un hallazgo y garantizar la supervisión ética.
En concreto, si estas arquitecturas consiguen ampliar su capacidad para formular preguntas más complejas, ejecutar más experimentos y aprender de ellos de forma fiable, la investigación biológica podría avanzar hacia un modelo en el que humanos y máquinas exploren conjuntamente espacios de conocimiento que hoy resultan demasiado complejos o extensos para abordar de forma convencional.
Fuente: Levante – EMV
