"Si he logrado ver más lejos ha sido porque he me subido a hombros de gigantes". Como hizo en tantos otros sentidos, Isaac Newton resumió la naturaleza secuencial de la investigación científica en una frase tan elegante como concisa. Con ella, Newton reconocía la importancia de los descubrimientos que habían precedido a los suyos y describía los caminos incrementales e interconectados del descubrimiento basado en experimentos.
Lo que facilitó esta interconexión fue la circulación de la información científica catalizada por la innovación de la imprenta de Gutenberg, creada alrededor de 1450. El impulso generado por un descubrimiento que lleva al siguiente siguió siendo esencial en los siglos posteriores a Newton y ha generado un círculo virtuoso que ha contribuido a la eclosión de logros científicos que se han producido a lo largo del siglo XX.
La innovación en la era de la información moderna
El incremento de la divulgación científica generó un obstáculo inesperado para el progreso científico: la sobrecarga de información. Las primeras revistas académicas, incluidas Philosophical Transactions en Inglaterra y Journal des sçavans en Francia, se crearon en 1665 para ayudar a los científicos a mantenerse al tanto de los avances y entender mejor los descubrimientos científicos más recientes de su campo. Sin embargo, a medida que los científicos han seguido innovando e inspirando nuevos descubrimientos, la dificultad de mantenerse al día ha crecido exponencialmente. Solo en los últimos dos años, la humanidad ha generado el 90 % de todos los datos creados.
Para seguir haciendo contribuciones novedosas e importantes a la ciencia con el fin de acelerar el descubrimiento científico, es esencial que los científicos entiendan y valoren todos los hallazgos anteriores. Por ejemplo, en 2005 tres investigadores —Yves Chauvin, Robert H. Grubbs y Richard R. Schrock— ganaron el premio Nobel de Química por el "desarrollo del método de la metátesis en la síntesis orgánica". Con respecto a su descubrimiento, el comité del Nobel escribió:
La teoría de Chauvin preparó el terreno para que los químicos buscasen y diseñasen catalizadores que llevan a cabo de un modo eficaz el esquema de intercambio. Tras examinar diversos metales candidatos, Richard Schrock realizó el hallazgo inicial al descubrir que los catalizadores que contenían los elementos metálicos de transición molibdeno y tungsteno ejecutaban la tarea. Sin embargo, su tendencia a reaccionar de un modo desfavorable significaba que la reacción no siempre se daba según lo previsto. Robert Grubbs fue un paso más allá al desarrollar catalizadores más eficaces centrados en otro metal de transición, el rutenio, que reaccionaba menos con otras moléculas y era mucho más estable.
Esta historia revela la naturaleza secuencial del trabajo de estos científicos, que ha culminado con un logro merecedor del premio Nobel. Cada nuevo hallazgo inspiró otro, todos ellos conectados por medio de un complejo linaje de referencias de la bibliografía científica. Al estudiar la impresionante lista de artículos de Grubbs, que llega a casi 1200 hasta la fecha, encontramos más de 49 000 referencias a estos artículos en publicaciones posteriores. De hecho, un único artículo publicado por Grubbs en 1999 ha sido citado casi 2800 veces por otros investigadores de ese campo.
La selección humana es la clave de las tecnologías transformadoras del mañana
Dado que las organizaciones generan 2,5 trillones de bytes de datos cada día, poder encontrar información específica y relevante es imprescindible. Mientras que soluciones de información como SciFindern ya ayudan a los científicos a encontrar exactamente lo que necesitan cuando lo necesitan, las tecnologías de inteligencia artificial (IA) formarán parte en breve de una estrategia integral para gestionar la afluencia creciente de datos.
A medida que se desarrollan estas nuevas tecnologías de IA, no se puede pasar por alto la importancia de contar con datos científicos de alta calidad seleccionados por humanos, ya que es la piedra angular del éxito de la implementación de la IA en las ciencias biológicas, la informática y todos los campos intermedios. Partiendo de fuentes de datos enriquecidas intelectualmente, la IA puede suministrar conocimientos sobre una amplia gama de tipos de información y ayuda a los científicos a descubrir y entender datos que en el pasado estaban enterrados en una montaña de bibliografía. Al transformar los "lagos de datos" en "reservorios" más manejables de información relacionada o complementaria, la IA basada en datos de alta calidad seleccionados por humanos ayudará a los científicos a maximizar las oportunidades de ampliar los conocimientos y las innovaciones de sus predecesores y de garantizar que sus propios descubrimientos están disponibles para la próxima generación de innovadores.
En CAS sabemos lo importante que es para los científicos tener acceso inmediato a la investigación existente para acelerar el proceso de descubrimiento. Esta visión guía nuestro servicio a la comunidad científica desde hace más de 110 años. Aunque el complejo entorno de datos actual, en constante crecimiento, presenta desafíos únicos, nuestros científicos seguirán leyendo la bibliografía para extraer, organizar y conectar los detalles valiosos contenidos en ella con el fin de ayudarle a ver más lejos, subido a hombros de gigantes.
¿En qué gigantes se apoyará para su próximo descubrimiento? Descubra cómo puede ayudarle CAS.