La inteligencia artificial (IA) para la ciencia está cambiando el descubrimiento científico de formas fundamentales. La capacidad de modelos de lenguaje extensos (LLM), redes neuronales, inteligencia artificial generativa y aprendizaje automático para analizar enormes conjuntos de datos está haciendo posible evaluar más información de la que un investigador humano podría por sí solo, y en plazos cada vez más cortos. A medida que la evolución de la tecnología basada en inteligencia artificial abre nuevas posibilidades en campos que van desde la medicina personalizada hasta la petroquímica, aquí presentamos algunos ejemplos recientes que demuestran cómo la inteligencia artificial está generando impactos significativos en el descubrimiento científico.
Relacionado: Vea la grabación de nuestro seminario web "IA para la ciencia" donde expertos de 3M, el Moffitt Cancer Center and Research Institute y CAS analizaron casos de uso, desafíos y oportunidades específicos de la inteligencia artificial dentro del contexto más amplio del dinámico panorama de investigación actual.
La IA generativa permite el diseño de nuevos materiales basados en las propiedades deseadas
Diseñar materiales con atributos específicos puede ser un proceso lento que requiere que los expertos examinen manualmente extensas listas de candidatos y empleen la experimentación de prueba y error. La IA generativa está permitiendo un cambio de paradigma en la ciencia de materiales, ayudando a los investigadores a evaluar muchos más candidatos mediante la predicción de las propiedades de las sustancias a partir de principios fundamentales y el análisis de muchos más materiales con mucha mayor rapidez.
La IA generativa permite a los investigadores comenzar con un objetivo final en mente en lugar de iterar experimentos con materiales existentes. Esto no solo ahorra tiempo, sino que, al explorar combinaciones poco convencionales para generar rápidamente miles o incluso millones de compuestos hipotéticos, los investigadores pueden utilizar la inteligencia artificial para aumentar el potencial de innovación. Por ejemplo, en los últimos años han surgido varios modelos nuevos de inteligencia artificial generativa destinados a optimizar el proceso de diseño de materiales:
- Microsoft Research’s MatterGen utiliza un modelo de difusión como base para la generación de materiales.
- MatAgent aprovecha los LLM aumentados con una base de conocimientos sobre materiales para proponer una nueva composición, un estimador de estructura de modelo de difusión para determinar la estructura cristalina basada en la composición propuesta y un evaluador de propiedades basado en redes neuronales de grafos (GNN) para predecir las propiedades de dicha estructura cristalina.
- IBM Research también lanzó un conjunto de modelos utilizando un enfoque de mezcla de expertos, que ha mostrado resultados prometedores en el diseño de sustitutos de PFAS.
Y Meta lanzó recientemente Open Molecules 2025, un conjunto de datos para avanzar en el descubrimiento molecular, y el Modelo Universal para Átomos (UMA).
El aprendizaje automático también ha sido muy eficaz para predecir las propiedades de los materiales candidatos. Microsoft desarrolló MatterSim, un complemento de MatterGen, que es un modelo de aprendizaje profundo entrenado con datos que combina aprendizaje activo, modelos generativos y simulaciones de dinámica molecular. Google también ha lanzado una herramienta para el descubrimiento de materiales llamada GNoME, que ha sido descrita como "AlphaFold para el descubrimiento de materiales". Utilizando DeepMind, los investigadores redujeron una lista de 2,2 millones de materiales a 381 000, y luego utilizaron GNoME para predecir cuáles serían los más estables, lo que dio como resultado 528 posibles conductores de iones de litio que podrían utilizarse en baterías.
La IA para la ciencia impulsa el auge de la medicina de precisión
El modelado genético impulsado por IA ahora puede analizar e interpretar grandes cantidades de datos genéticos, epigenéticos y bioinformáticos, ayudando a los investigadores a comprender las variaciones genéticas y sus implicaciones. Este enfoque utiliza algoritmos de aprendizaje automático y otras herramientas de IA para identificar patrones y correlaciones dentro de la información genética con el fin de adaptar las medidas preventivas, los tratamientos y la medicina a cada individuo. Los objetivos son potenciar la intervención temprana, minimizar los efectos secundarios y reducir los costes, todo ello con la meta de crear programas de atención personalizados adaptados a las necesidades de cada paciente.
La aplicación de la IA al modelado genético ha logrado un progreso significativo en las siguientes áreas:
- Integración y análisis de datos: Los modelos de IA procesan grandes cantidades de datos genéticos, incluyendo la secuenciación de ADN (por ejemplo, secuencias del exoma/genoma completo), transcriptoma, proteoma y datos del metaboloma, para descubrir información que los algoritmos tradicionales podrían pasar por alto. Las redes neuronales convolucionales (CNN) y las redes neuronales recurrentes (RNN) identifican asociaciones complejas entre biomarcadores, el riesgo de enfermedades y la respuesta a los fármacos. Estos modelos pueden capturar patrones intrincados dentro de los datos genómicos que los métodos estadísticos tradicionales podrían pasar por alto, lo que conduce a predicciones más precisas sobre la susceptibilidad a enfermedades y los resultados de los tratamientos.
- Análisis predictivo: La inteligencia artificial se está aplicando para predecir la probabilidad de desarrollar ciertas enfermedades basándose en el perfil genético de una persona, sus antecedentes familiares e incluso las notas de los médicos. Este enfoque utiliza algoritmos de aprendizaje automático e informática clínica para analizar datos genéticos complejos y patrones familiares, ofreciendo información sobre medidas preventivas y la planificación de tratamientos personalizados.
- Planes de tratamiento a medida: La inteligencia artificial apoya el desarrollo de terapias de precisión basadas en el único genoma y epigenoma de un individuo. Los modelos de inteligencia artificial analizan e identifican variaciones y mutaciones específicas que pueden influir en el riesgo de enfermedades y en las respuestas al tratamiento. Las soluciones de inteligencia artificial también pueden examinar modificaciones epigenéticas , como la metilación del ADN y las modificaciones de las histonas, para comprender cómo los factores ambientales y las elecciones de estilo de vida afectan a la expresión génica.
- Integración de datos multiómicos: Al utilizar la capacidad de la inteligencia artificial para relacionar datos genómicos, transcriptómicos, proteómicos y metabolómicos, los investigadores pueden crear modelos más completos de los sistemas biológicos. Este enfoque holístico permite una comprensión más profunda de la compleja interacción entre los factores genéticos, los factores no genéticos y las influencias ambientales en el desarrollo y la progresión de las enfermedades.
Las soluciones basadas en inteligencia artificial pueden analizar grandes cantidades de datos para ayudar a desarrollar diagnósticos y tratamientos que consideren la variedad de factores que intervienen en cada paciente. Ya sea avanzando hacia un modelo omniómico del perfil de salud de un paciente o abordando la complejidad computacional de los datos genéticos y epigenéticos, la inteligencia artificial promete ser una fuerza impulsora en el desarrollo de la medicina de precisión.
Algoritmos de inteligencia artificial que mejoran la eficiencia de la captura y el almacenamiento de carbono
Incluso si todas las emisiones de dióxido de carbono se detuvieran hoy, el CO2 que ya se encuentra en la atmósfera seguiría atrapando calor y provocando el calentamiento global. Como señaló el Grupo Intergubernamental de Expertos sobre el Cambio Climático (IPCC) señaló, aunque la captura y eliminación de CO2 no sustituye a la reducción de emisiones, será necesaria para disminuir las emisiones de gases de efecto invernadero y mantenerse en los 2 °C de calentamiento.
La inteligencia artificial para la ciencia desempeña un papel cada vez más importante en numerosos enfoques para capturar CO2, incluida la captura y el almacenamiento de carbono (CCS) y la meteorización mejorada de rocas (ERW).
- Captura y almacenamiento de carbono (CCS): Los algoritmos de inteligencia artificial están optimizando los sistemas de captura de carbono mediante el análisis de datos operativos para mejorar la eficiencia. Por ejemplo, se utilizaron algoritmos de aprendizaje por refuerzo para la optimización de procesos de eliminación de CO2 de los gases de combustión industriales, minimizando al mismo tiempo la energía operativa necesaria. Los resultados muestran que los modelos y algoritmos predictivos pueden reducir los costes energéticos en más del 70 por ciento de los casos. El aprendizaje automático también puede identificar materiales porosos para la adsorción más rápido que los métodos tradicionales. Microsoft MOFDiff, un modelo de difusión de grano grueso, genera estructuras de estructuras metal-orgánicas (MOF, por sus siglas en inglés), que son altamente eficaces en la captura de carbono.
- Meteorización de rocas mejorada (ERW): La ERW elimina el CO2 de la atmósfera acelerando los procesos geológicos normales. Al añadir una fina capa de rocas de silicato o carbonato trituradas a la tierra, como en campos agrícolas, los procesos de meteorización química en presencia de agua de lluvia convierten el CO2 atmosférico en iones de bicarbonato. Las soluciones de inteligencia artificial soluciones pueden apoyar los esfuerzos de ERW identificando ubicaciones objetivo y condiciones del suelo, así como ejecutando los modelos predictivos necesarios para determinar la eficacia del proyecto.
Aunque la inteligencia artificial tiene muchas aplicaciones en las actividades de captura de carbono, es importante señalar que las emisiones asociadas a su funcionamiento también deben ser consideradas. De lo contrario, contribuirán al calentamiento global en lugar de mitigarlo.
Hacer que las operaciones petroquímicas sean más seguras y eficientes con gemelos digitales
El "gemelo digital" es una tecnología basada en inteligencia artificial utilizada para crear réplicas virtuales de alta fidelidad de espacios físicos con el fin de analizar datos en tiempo real y predecir resultados. En la industria petroquímica, estas réplicas permiten la simulación, el análisis y la optimización de procesos químicos complejos. Al integrar datos operativos detallados y cinética de reacción, el gemelo digital proporciona información sobre los sistemas de las plantas de fabricación bajo diversas condiciones.
El software de gemelos digitales ha madurado significativamente en los últimos años, y muchas industrias aprovechan las capacidades predictivas que ofrecen estas simulaciones. La implementación exitosa de gemelos digitales en la fabricación petroquímica depende de varias tecnologías críticas:
- Plataformas de simulación de alta fidelidad: Herramientas de software como Aspen HYSYS, gPROMS y AVEVA integran una cinética química y termodinámica detalladas, creando réplicas virtuales precisas de las operaciones petroquímicas.
- Integración de IoT y sensores: Las extensas redes de sensores proporcionan flujos de datos en tiempo real, actualizando continuamente el gemelo digital para reflejar con precisión los estados operativos actuales.
- Integración de inteligencia artificial y aprendizaje automático: Análisis impulsados por inteligencia artificial mejoran las capacidades predictivas, permitiendo que los gemelos digitales anticipen perturbaciones operativas y optimicen el rendimiento de la planta de forma proactiva.
Estas innovaciones permiten a las empresas petroquímicas implementar el mantenimiento predictivo y la gestión de activos. Los gemelos digitales pueden incluso mejorar la seguridad al predecir fallos en los equipos antes de que ocurran, programar el mantenimiento de forma proactiva y reducir significativamente el tiempo de inactividad y los costes operativos. También incorporan análisis en tiempo real, lo que permite el ajuste dinámico de los procesos para optimizar los rendimientos y reducir el consumo de energía. Por ejemplo, al facilitar el modelado detallado de craqueadores de etileno, los gemelos digitales maximizan la utilización de la materia prima y el rendimiento del producto mediante ajustes operativos precisos.
Acelerar el descubrimiento y la reutilización de fármacos mediante modelos de inteligencia artificial
La reutilización de fármacos ha sido durante mucho tiempo una estrategia exitosa en el desarrollo farmacéutico. Sin embargo, a menudo requiere un trabajo lento y laborioso para revisar las observaciones clínicas y la bibliografía científica, seguido de pruebas y validaciones exhaustivas. Al utilizar la inteligencia artificial para la ciencia, las empresas farmacéuticas ahora pueden predecir las indicaciones y contraindicaciones de los fármacos de manera más eficiente, a veces incluso sin nuevos parámetros o datos, a través de un método conocido como "inferencia de disparo cero" (zero-shot inference).
Las aplicaciones de la inteligencia artificial en la reutilización de fármacos incluyen:
- Modelos impulsados por inteligencia artificial que utilizan grafos de conocimiento para evaluar más enfermedades y posibles candidatos a fármacos más rápido de lo que los investigadores humanos podrían hacerlo por sí solos.
- Identificación de candidatos para la reutilización mediante biología de redes de datos genéticos para identificar múltiples fármacos que actúen sobre diversas partes de la ruta de una enfermedad.
- Farmacología múltiple, los investigadores pueden explorar efectos fuera de la diana que pueden utilizarse en combinación con otro fármaco.
El éxito de estos esfuerzos depende en gran medida de la disponibilidad de buenos datos, lo cual sigue siendo un desafío. Según algunas estimaciones, el 55 por ciento del conocimiento organizacional es "datos oscuros", información no estructurada acumulada a lo largo del tiempo. Por lo general, al no estar armonizados y almacenarse en sistemas inconexos, los datos oscuros suelen tener una accesibilidad limitada, lo que impide su integración en las estrategias de inteligencia artificial.
La complejidad del cuerpo humano y los desafíos asociados con las enfermedades que carecen de tratamientos viables significan que la capacidad computacional de la inteligencia artificial será crucial para identificar nuevos usos para medicamentos ya establecidos.
Visión artificial para el análisis microestructural que mejora la seguridad y la calidad
En la investigación de ciencia de materiales, la visión artificial utiliza la inteligencia artificial para procesar grandes volúmenes de datos visuales, como imágenes microscópicas o espectroscópicas, para identificar propiedades, estructuras y defectos de los materiales. Este tipo de análisis ha sido durante mucho tiempo un paso vital para comprender las propiedades mecánicas de los materiales y desempeña un papel fundamental en la seguridad, selección de materiales, y control de calidad. El tamaño y la distribución del grano, por ejemplo, son factores importantes en la resistencia y ductilidad de los materiales, y sectores como el aeroespacial y el electrónico requieren análisis microestructurales extremadamente específicos y precisos de materiales y componentes.
La visión artificial impulsada por inteligencia artificial está revolucionando este proceso. Lo que tradicionalmente ha sido un procedimiento manual que consume mucho tiempo ahora puede completarse de forma más rápida y precisa, automatización de tareas como la identificación de fases y la clasificación de microestructuras. Los algoritmos de visión artificial pueden localizar e identificar defectos, incluyendo grietas, vacíos y partículas extrañas. También pueden segmentar partículas de grano individuales dentro de una microestructura, detectar diferentes fases materiales presentes y permitir diversas capacidades cuantitativas utilizando características aprendidas por máquinas.
Para los fabricantes, el análisis microestructural impulsado por visión artificial mejora el control de calidad al confirmar que los materiales cumplen con ciertas especificaciones. Al identificar posibles defectos más rápido que un análisis realizado por humanos, estos sistemas pueden ayudar a garantizar la integridad de los materiales en condiciones extremas, como en reactores nucleares, o confirmar la estabilidad de los materiales soldados.
El futuro de la inteligencia artificial para la ciencia: transformador y sorprendente
Los avances tecnológicos y los descubrimientos científicos siempre han ido de la mano y, a medida que las tecnologías impulsadas por inteligencia artificial siguen mejorando, se espera que transformen aún más muchas áreas de la investigación científica.
Como podemos ver en los ejemplos anteriores, no existe un enfoque único para utilizar la inteligencia artificial en la ciencia. Es probable que su impacto se sienta de diferentes maneras en toda la gama de disciplinas científicas y computacionales, desde la minería de datos, integración, análisis y optimización hasta simulaciones, visualizaciones, análisis predictivo y modelado.
En CAS, analizamos constantemente la CAS Content CollectionTM, el mayor repositorio de información científica catalogado por humanos, para comprender mejor el panorama de la investigación y cómo la inteligencia artificial está marcando diferencias significativas en campos que van desde la atención sanitaria hasta la ciencia de materiales y más. Con nuestra capacidad para observar de primera mano las innovaciones de vanguardia, nos entusiasma ver hacia dónde llevará la inteligencia artificial al descubrimiento científico en 2025 y más allá.
