Orígenes y Avance

DeepMind, originalmente conocido por enseñar a la inteligencia artificial a dominar juegos, redirigió su experiencia hacia un problema científico fundamental: el plegamiento de proteínas. El resultado fue AlphaFold2, un sistema capaz de predecir formas de proteínas tridimensionales con precisión atómica. Este logro se describió como un "momento iPhone" para la biología, marcando un cambio de la IA recreativa a una herramienta con un impacto científico transformador.

Impacto y Adopción Global

Las predicciones de AlphaFold se han compilado en una base de datos pública que ahora contiene más de 200 millones de estructuras predichas, esencialmente todo el universo de proteínas conocido. El recurso es accesado por casi 3,5 millones de investigadores en 190 países, lo que ilustra su rápida integración en laboratorios de todo el mundo. El artículo de Nature de 2021 que anunció el algoritmo ha sido citado decenas de miles de veces, subrayando su influencia en todas las disciplinas.

Ampliación de Capacidades con AlphaFold 3

Basándose en el éxito de AlphaFold2, DeepMind lanzó AlphaFold 3, extendiendo las predicciones de IA a ADN, ARN y interacciones de moléculas pequeñas. Esta expansión requirió nuevos enfoques de modelado, incluyendo modelos de difusión que son más generativos pero también propensos a alucinaciones. Para mitigar esto, DeepMind incorpora puntuaciones de confianza y pasos de verificación rigurosos, asegurando que las predicciones sigan siendo confiables, especialmente para proteínas intrínsecamente desordenadas.

Co-Científico de IA y Sistemas Multi-Agente

DeepMind está desarrollando un co-científico de IA basado en la plataforma Gemini 2.0. Este sistema multi-agente genera hipótesis, debate ideas internamente y sugiere direcciones experimentales. Las colaboraciones tempranas, como con investigadores del Imperial College que estudian interacciones virus-bacterias, demostraron la capacidad del sistema para sintetizar rápidamente una vasta literatura y proponer mecanismos novel que los equipos humanos validaron experimentalmente más tarde.

Direcciones y Desafíos Futuros

Mientras que AlphaFold ha transformado la biología estructural, DeepMind apunta a abordar problemas más amplios sin resolver, incluyendo la simulación de células enteras. La comprensión del núcleo, el tiempo de expresión genética y las vías de señalización se identifican como los próximos hitos. El modelo de asociación, donde la IA maneja la generación de hipótesis y los humanos se centran en la selección de problemas y la validación experimental, se ve como una forma de acelerar el descubrimiento mientras se preserva la perspicacia humana esencial.

Usado: News Factory APP - descubrimiento de noticias y automatización - ChatGPT para Empresas