Google validó en laboratorio hipótesis propuestas por AI co-scientist, su sistema multiagente para investigación científica. Entre los resultados destaca la reutilización de fármacos validada en laboratorio contra la leucemia mieloide aguda. Los candidatos sugeridos por el sistema inhibieron la viabilidad de células tumorales en concentraciones clínicamente relevantes, según el informe de la compañía.
Google documentó el trabajo en su blog de investigación y en un informe técnico publicado como versión preliminar en arXiv. Las pruebas incluyeron experimentos de laboratorio reales, con participación de especialistas, en tres frentes biomédicos.
El anuncio cambia el estatus de estas herramientas: ya no son solo resúmenes o búsquedas profundas. El sistema propone hipótesis nuevas, y parte de ellas sobrevivió al laboratorio. La lista incluye reutilización de fármacos validada en laboratorio, dianas para la fibrosis hepática y un mecanismo detrás de la resistencia antimicrobiana.
La validación externa separa este anuncio de una demostración interna. Fueron grupos académicos y hospitalarios los que pusieron a prueba las propuestas, junto al equipo de Google.
Una coalición de agentes que se critican entre sí
AI co-scientist se apoya en Gemini 2.0 y organiza el trabajo como una coalición de agentes. Son módulos que generan, evalúan y refinan hipótesis de forma iterativa, coordinados por un supervisor que reparte las tareas.
El diseño responde a un problema de escala: el volumen de publicaciones crece más rápido que la capacidad de leerlas. Ningún equipo humano integra a tiempo los hallazgos de disciplinas vecinas.
El proceso imita el método científico: los candidatos entran en torneos de debate y se comparan entre sí. Reciben una puntuación automática inspirada en el ranking Elo del ajedrez. Cuanto más tiempo de cómputo se invierte en razonar, mejor califican las propuestas.
Los creadores verificaron que esa autoevaluación correlaciona con calidad real: en un conjunto de preguntas científicas difíciles, las hipótesis mejor puntuadas acertaban con más frecuencia.
Siete especialistas definieron quince objetivos de investigación abiertos y sus mejores respuestas conocidas. En la comparación, el sistema superó a otros modelos de razonamiento de última generación, según los autores.
Reutilización de fármacos validada en laboratorio: tres pruebas
En el caso de la leucemia, el sistema propuso candidatos de reutilización: fármacos existentes con un uso nuevo posible. Expertos clínicos y pruebas in vitro confirmaron que esos fármacos reducen la viabilidad tumoral en varias líneas celulares.
En un segundo frente, los investigadores pidieron al sistema dianas terapéuticas para la fibrosis hepática. AI co-scientist identificó objetivos epigenéticos con actividad antifibrótica en organoides hepáticos humanos, cultivos tridimensionales que imitan el tejido del hígado. Los detalles del trabajo con la Universidad de Stanford se publicarán en un informe próximo.
El tercer frente apuntó a la resistencia antimicrobiana: cómo ciertos fragmentos genéticos se propagan entre bacterias. El sistema propuso un mecanismo basado en la interacción con los virus que infectan bacterias. La hipótesis coincidió con experimentos que el Imperial College ya había validado por su cuenta. Ambos resultados se publican como manuscritos simultáneos.
Google reconoce límites en el informe: las hipótesis requieren verificación externa y la factualidad sigue siendo un desafío. Por eso el acceso se abre, por ahora, a organizaciones de investigación a través de un programa de usuarios de confianza.
Los autores lo presentan como una herramienta colaborativa, no como un científico autónomo. Un interlocutor que lee, propone y discute, siempre bajo la dirección de un investigador humano.
El sistema no reemplaza el experimento, pero acorta la distancia entre una idea y su prueba. El camino entre la hipótesis y el fármaco sigue siendo largo; lo que cambia es qué tan caro resulta equivocarse de dirección. Leer lo publicado ya supera a cualquier equipo humano en muchas disciplinas. Un asistente que proponga por dónde mirar puede ser, ahí, el aporte más realista de la IA a la ciencia.
