Miles de agentes de IA de OpenAI analizaron en apenas 32 minutos datos de millones de neuronas

Casi dos mil agentes de IA en 32 minutos analizaron datos experimentales de millones de células cerebrales de ratón y encontraron varias direcciones que los científicos ahora deberán comprobar en el laboratorio. El sistema buscó cómo la inactivación de distintos genes modifica el funcionamiento de las células, comparó las observaciones con la literatura científica y, entre otras cosas, señaló el posible papel del intercambio de colesterol en la neurodegeneración.

Los datos originales no se obtuvieron específicamente para IA. Investigadores habían creado antes un atlas detallado del cerebro de ratón en el que, de forma sucesiva, perturbaban el funcionamiento de casi dos mil genes y observaban cómo reaccionaban distintos tipos de células. Para las intervenciones usaron CRISPR, y luego midieron la actividad génica en células individuales. Al final se acumuló una enorme cantidad de resultados que a una persona le llevaría meses analizar.

Los autores decidieron dividir el trabajo. Cada agente basado en GPT-Rosalind recibía una intervención genética, estudiaba los cambios en las células, buscaba publicaciones científicas relevantes y proponía una explicación. Después el programa compilaba los informes individuales en un mapa común, donde se pueden comparar genes, respuestas celulares y posibles mecanismos biológicos.

Uno de los resultados más interesantes surgió al analizar los genes Tsc1 y Tsc2. Ambos ayudan a regular la vía de señalización mTOR, que controla el crecimiento celular, el metabolismo y el envejecimiento. En varios grupos de neuronas la inactivación de los genes produjo un efecto parecido; sin embargo, en el cerebelo la pérdida de Tsc2 modificó la actividad de decenas de genes implicados en la transmisión entre neuronas. Al inactivar Tsc1 no se observó una reacción tan intensa.

Los autores consideran la diferencia interesante por la esclerosis tuberosa. En las personas las mutaciones en TSC2 con mayor frecuencia se acompañan de alteraciones en el cerebelo, por lo que el grupo neuronal hallado podría indicar qué cambios celulares conviene verificar por separado. La IA aquí no identificó un mecanismo nuevo de la enfermedad, sino que redujo el abanico de preguntas para los siguientes experimentos.

Otra hipótesis surgió tras la inactivación de Dctn1. Este gen ayuda a transportar sustancias dentro de las neuronas, y sus mutaciones pueden provocar una rara enfermedad neurodegenerativa con síntomas que recuerdan a la enfermedad de Parkinson. Tras la intervención, las células aumentaron la expresión de genes responsables de la producción de colesterol. La IA relacionó la observación con trabajos previos sobre el transporte de colesterol intracelular y sugirió que las neuronas podrían incrementar su producción de colesterol cuando la distribución habitual se ve alterada.

Por ahora nadie ha confirmado que el mecanismo descrito participe realmente en el desarrollo de la enfermedad. Los autores proponen comprobar si cambia la distribución de colesterol dentro de las neuronas tras la inactivación de Dctn1 y si la restauración del intercambio normal puede proteger las células. El resultado sigue siendo, por ahora, una hipótesis de investigación.

La división del trabajo entre numerosos agentes ayudó a ampliar notablemente la búsqueda en la literatura científica. Con alta carga, un agente utilizó solo 11 publicaciones, mientras que el sistema distribuido recurrió a más de 700. En una comparación a ciegas, los especialistas prefirieron los informes de varios agentes frente al análisis individual en el 75% de los casos.

Los autores describieron los resultados en un preprint, que aún no ha pasado por revisión independiente. El trabajo no demuestra que la IA sea capaz de hacer descubrimientos biológicos por sí sola: los agentes analizaron datos ya existentes y formularon ideas, y solo nuevos experimentos podrán confirmarlas o refutarlas. La utilidad principal del enfoque, por ahora, es otra: la máquina en media hora revisa partes de un gran conjunto de datos a las que los investigadores podrían acceder solo tras meses.