Google Research presenta Co-scientist basado en Gemini 2.0

Co-scientist es un sistema de IA multiagente construido con Gemini 2.0 que ayuda a los científicos a formular nuevas hipótesis y a acelerar el ritmo de la investigación.

• Inspirado en el método científico tradicional, utiliza agentes especializados en generación (Generation), reflexión (Reflection), clasificación (Ranking), evolución (Evolution), proximidad (Proximity) y metarrevisión (Meta-review). Estos agentes se retroalimentan de forma recursiva y mejoran sus propias ideas.
• Los científicos pueden darle ideas a la IA o dar retroalimentación sobre las ideas de la IA.
• Se introdujo una calificación Elo para evaluar las respuestas del modelo, y con base en ella los resultados del modelo mejoran con el tiempo.
  • Gemini 2.0 Pro y los expertos humanos están por debajo de una calificación Elo de 1300.
  • Co-scientist aumenta con el tiempo desde 1300 hasta más de 1500.
  • Cuando expertos humanos evaluaron los resultados del modelo, co-scientist también recibió mejores valoraciones que Gemini 2.0 Pro y OpenAI o1.
• Para evaluar su utilidad práctica, se realizaron experimentos en reutilización de fármacos (Drug repurposing), propuesta de nuevos objetivos terapéuticos (Novel treatment target discovery) y esclarecimiento de los mecanismos subyacentes de la resistencia antimicrobiana (Elucidating the mechanisms underlying antimicrobial resistance). El proceso se llevó a cabo con intervención de expertos.
• Reutilización de fármacos para la leucemia mieloide aguda
  • La reutilización de fármacos consiste en encontrar nuevos usos para medicamentos existentes, en lugar de desarrollar uno nuevo. Requiere una amplia especialización interdisciplinaria.
  • Co-scientist propuso nuevos fármacos candidatos para reutilización contra la leucemia mieloide aguda. Según análisis computacionales, retroalimentación clínica y resultados de pruebas in vitro, los fármacos inhibieron la viabilidad tumoral.
• Avances en el descubrimiento de objetivos terapéuticos para la fibrosis hepática
  • El descubrimiento de objetivos terapéuticos presenta muchas ineficiencias en la selección de hipótesis y en la priorización de experimentos.
  • Se llevaron a cabo propuestas de hipótesis, priorización y generación de protocolos experimentales para el descubrimiento de objetivos en fibrosis hepática.
  • Los objetivos identificados por Co-scientist mostraron una fuerte actividad antifibrótica en los resultados experimentales.
• Explicación de los mecanismos de resistencia antimicrobiana
  • La explicación de los mecanismos de resistencia antimicrobiana estudia el proceso mediante el cual los microorganismos evolucionan y transmiten genes para evadir los tratamientos.
  • El equipo de investigación indicó a Co-scientist que explorara de manera independiente un tema ya descubierto pero aún no publicado.
  • La hipótesis presentada por la IA ya había sido validada experimentalmente y estaba próxima a publicarse.

Se espera que Co-scientist acelere los descubrimientos científicos como herramienta de apoyo para los científicos.

[GN⁺]

Comentarios de Hacker News

• No estoy seguro de que la gente aquí haya leído el artículo completo, pero cito unos fragmentos

  • AI Co-scientist predijo oportunidades de reutilización de fármacos y, junto con colaboradores, validó las predicciones mediante biología computacional, retroalimentación de clínicos expertos y experimentos
  • AI Co-scientist propuso un nuevo candidato de reutilización para la leucemia mieloide aguda (AML), y los experimentos confirmaron que el fármaco propuesto inhibe la viabilidad tumoral en múltiples líneas celulares de AML a concentraciones clínicamente relevantes
  • Investigadores expertos le indicaron a AI Co-scientist que explorara un tema en el que ya había habido un descubrimiento nuevo dentro del grupo, pero que aún no se había publicado, y AI Co-scientist propuso de forma independiente que interactúa con diversas colas de fagos para expandir el rango de hospedadores
  • Este hallazgo fue validado en experimentos de laboratorio realizados antes de usar el sistema AI Co-scientist, y se describe en un artículo publicado simultáneamente en colaboración con la Fleming Initiative y el Imperial College London
  • Que un modelo de IA haya podido presentar una nueva hipótesis científica validada en laboratorio tiene implicaciones muy importantes

• Me parece chistosa la expresión "reutilización de fármacos para AML"

  • Como alguien que está haciendo un doctorado sobre AML mediante subtipificación molecular y predicción de fármacos ex-vivo, me parece muy aleatorio
  • En vez de reutilización aleatoria de fármacos, quisiera proponer nuestro pipeline
  • Por cierto, estamos buscando formas de financiar y comercializar nuestro pipeline; si a alguien le interesa, puede contactarme por el sitio

• Honestamente, no entiendo por qué debería usar esto

  • No necesito una IA que conecte ideas o proponga nuevas hipótesis
  • Lo que necesito es escribir y probar código de pipelines de datos para normalizar datos organizados de forma única según cada proyecto dentro de una base de datos enorme
  • Lo que necesito es escribir y probar pipelines de datos para detectar eventos en datos acústicos tanto en el espacio de amplitud como en el de frecuencia
  • Lo que necesito es probar el frontend del backend de análisis de datos para poder trabajar con los datos
  • Probablemente el descubrimiento de fármacos sí requiera probar muchas variables iterando una por una sobre los valores disponibles
  • Pero eso no aplica a mi investigación
  • No todo sirve para todos, y está bien

• Parece que el mercado corre en estampida hacia donde haya apuntado el veleta por última vez, sin importar la dirección

  • Me recuerda a un estudio donde los investigadores eran más productivos al trabajar con sistemas de IA, pero estaban menos satisfechos con su trabajo
  • Se reportó que la asistencia de IA ayudó a los científicos a descubrir 44% más materiales y aumentó en 39% las solicitudes de patentes, pero 82% de los científicos dijeron sentirse menos satisfechos con su trabajo

• En general, parece que nos estamos moviendo hacia el concepto de sociedad de la mente de Minsky

  • OpenAI intenta unificar todos los modelos en un solo modelo todoterreno, pero internamente podría tratarse de enrutamiento
  • Que los agentes se especialicen en ciertas llamadas a herramientas, formas de razonar, etc., podría ser una dirección útil como marco conceptual/andamiaje

• Últimamente he estado usando IA en mi flujo de trabajo

  • Resumo lo que he encontrado hasta ahora y le pido a la IA que sugiera explicaciones y recomiende pruebas adicionales
  • El 70% de las ideas de la IA son inútiles, pero a veces solo hace falta un prompt adicional
  • Entre las ideas sugeridas por la IA hay algunas en las que yo no había pensado
  • La IA no puede reemplazar a un humano con conocimiento, pero como herramienta para ayudar a humanos supera a consultores caros con nivel de doctorado

• Leí la cita de un científico en un artículo periodístico, y me sorprendió que su equipo hubiera trabajado durante 10 años para resolver el problema, pero no hubiera publicado nada de una forma que la IA pudiera procesar fácilmente

  • Es difícil demostrar que otro investigador no haya propuesto la misma idea
  • Me pregunto si, si un competidor suyo hubiera hecho la misma búsqueda un mes antes, habría podido reclamar prioridad

• Estos días soy negativo respecto a la IA, pero recuerdo la primera vez que usé Eliza

  • Creo que podría aceptar que una IA me presente una lista de problemas y me pregunte cómo resolverlos
  • Me gustaría ver la tecnología de IA aplicada a pruebas basadas en propiedades

• Interesante colección de comentarios

  • Personalmente, me parece excelente
  • Es un co-científico, no un "científico"
  • Hay mucho valor en evaluar un "algo" que pueda revisar el trabajo y producir resultados interesantes
  • Hay muchas ideas que no se consideran por su costo
  • Si existe una "expectativa razonable", el riesgo de fracaso disminuye
  • Ya no soy "científico", pero me gustaría jugar con esto y ver qué combinaciones raras podrían surgir potencialmente

• Como científico biomédico, ya he visto varias veces que desarrolladores de IA tienden a afirmar que la IA será más inteligente que los humanos y generará mejores hipótesis

  • Por ejemplo, en un ensayo de Google se afirma que CRISPR es un esfuerzo interdisciplinario que combina microbiología, genética y biología molecular
  • Se afirma que AI Co-scientist podrá integrar múltiples disciplinas para generar nuevas hipótesis
  • Creo que los científicos de la computación no están familiarizados con la investigación biomédica y no entienden que microbiología/genética/biología molecular están estrechamente conectadas
  • Los biólogos tienen muchas buenas ideas
  • El problema es que toma tiempo probar suficientemente esas ideas
  • La IA y otros LLM son un Google potente y redactores de código
  • Como se equivocan el 30% del tiempo, hay que ser muy cuidadoso al usarlos
  • Es bueno no desperdiciar tiempo explorando hipótesis incorrectas
  • Pero ya podemos identificar con facilidad las hipótesis buenas y malas
  • Los problemas políticos no podrán ser resueltos por la IA

[hhkkkk]

Te amamos, Hassabis~